N^4-Fields: 图像变换的神经网络最近邻域

Jun, 2014

N^4-Fields: 图像变换的神经网络最近邻域

$ N^4 $-Fields: Neural Network Nearest Neighbor Fields for Image Transforms

Yaroslav Ganin, Victor Lempitsky

TL;DR提出了一种新的图像处理架构，它基于卷积神经网络与最近邻搜索的简单相结合，并在三个具有挑战性的基准测试中验证其性能与超越现有技术水平。该方法侧重于解决那些难以通过神经网络明确学习的图像转换问题，在此情况下，通过对网络输出进行最近邻搜索可以显著提高结果，并考虑神经网络训练期间的欠拟合效应。

Abstract

We propose a new architecture for difficult image processing operations, such as natural edge detection or thin object segmentation. The architecture is based on a simple combination of convolutional neural networks

image processing convolutional neural networks nearest neighbor search underfitting effect state-of-the-art performance

发现论文，激发创造

神经最近邻网络

研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

Oct, 2018

利用 Web 规模最近邻搜索抵御对抗图像

对抗扰动将图像离开图像流形。通过对上亿张网络图像数据库的最近邻搜索来近似将图像移回到流形，实现了对抗图像的有效防御，但防御与准确性之间存在权衡，并且需要一个大型图像数据库以及对图像数据库的仔细构建才能在抵御攻击方面足够强大。

Mar, 2019

高效的高分辨率模板匹配与量化最近邻场

文中介绍了一种基于 NN 的模板匹配方法，采用向量量化和过滤来减少 NN 计算，考虑变形和维度，表现出色、稳健、可伸缩。

Jun, 2023

PixelNN: 基于示例的图像合成

本文提出了一种简单的最近邻方法，可以从 “不完整” 的信号（如低分辨率图像、表面法线图或边缘）中合成高频逼真的图像。通过将卷积神经网络和最邻近法相结合，可以解决模式崩溃问题和输出可控性。

Aug, 2017

深度最近邻异常检测

该研究探讨在使用 Imagenet 预训练特征空间的情况下，最近的自我监督深度方法是否确实优于最近邻方法进行异常检测。通过实验证明，仅使用简单的最近邻方法在准确度，few shot 泛化，训练时间和噪声稳健性方面均优于自我监督方法，同时在图像分布方面做出较少的假设。

Feb, 2020

寻找加速神经场培训的数据转换

通过研究数据变换对神经场训练速度的影响，特别关注像素位置置换如何影响 SGD 的收敛速度，我们发现随机置换像素位置可以显著加快训练速度。分析表明，随机像素置换消除了易拟合的模式，促进了早期的优化，但阻碍了细节的捕捉。

Nov, 2023

视觉计算及其它领域中的神经场

本研究提供了神经场的数学基础和文献综述，包括不同表征方式、结构、前向传递和推广方法，介绍了神经场在视觉计算和其他领域（例如机器人，音频）中的应用，证明了这种方法所带来的质量改善、灵活性和能力提高。

Nov, 2021

使用全卷积网络进行快速图像处理

使用全卷积网络进行运算符逼近可以显著提高逼近精度，降低运行时间和内存开销。在输入输出对上的训练可以将原始运算符逼近，并且可以对多种不同的高级图像处理运算符进行逼近，包括多种变分模型、多尺度调节和明暗细节操作等。

Sep, 2017

自然神经网络

研究引入了自然神经网络，旨在通过调整内部表示来加速收敛并改善 Fisher 矩阵的条件。使用简单高效的参数重整方式，从而能够保留神经网络的正向传播计算。研究表明，通过提出的投影自然梯度下降算法 (PRONG)，这种神经网络能够高效地训练；研究同时在无监督和监督学习任务上证明了该方法的优点，并通过对大规模 ImageNet Challenge 数据集的训练显示了其可伸缩性。

Jul, 2015

邻域共识网络

本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

Oct, 2018