本研究提出了一种生成图像的模型,其对图像中的物体进行分割并学习了一种分离物体、背景及其深度和位置的结构化潜变量表示,它可以在无监督的情况下进行训练。该模型可以生成完整的物体,处理遮挡,并能够将新图像分解成组成部分,包括深度排序和遮挡部分的分割。
Apr, 2020
通过训练专家生成模型的集合,鼓励系统具有模块化特征的认知偏差,从而达到控制采样和可重组性的目的,并且在处理深度分层和遮挡方面具有优势。
本文提出了一种基于生成对抗网络的场景生成框架,通过显式控制场景的背景和前景的生成器生成多样化的图像并更好的应对仿射变换和前景物体的遮挡等问题。
Feb, 2019
本论文提出了一种新的场景表示方法,它能够处理形态重建中存在的挑战,例如遮挡,以及在多种生成姿态估计问题中的优越表现。
Feb, 2016
本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架,通过训练分层场景的生成模型和特征向量编码器,结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。
May, 2019
我们提出了一种用于将图像分解为自动发现的对象模型层的无监督学习框架,其中包含可学习的对象原型、参数化函数、图像形成模型等组成部分,尝试实现对真实图像进行对象分类和实例参数辨识的目标,并在多个标准数据集上验证了其有效性。
Apr, 2021
本文介绍了一种基于深度生成模型的架构,该架构在训练过程中使用多层的潜在变量,并且在所有潜在变量和输出之间包括确定性路径,以及提供了一组更丰富的连接,这些连接在推理和生成计算之间实现了更有效的信息通信。我们在重构分布中引入了轻量级自回归模型以提高自然图像的性能。实验表明,我们的方法在标准图像建模基准测试中达到了最先进的性能,并且在没有标签信息的情况下可以暴露潜在的类结构,同时可以提供自然图像中被遮挡区域的令人信服的估计。
Dec, 2016
通过引入外貌模块来学习目标和背景外观的概率生成模型,提高了视频对象分割网络的性能,并实现了全端到端的训练。
Nov, 2018
利用深度学习方法,通过在生成式模型的分离潜在空间中对先验图像的概念性信息进行约束和优化,提出了一个框架用于从高度不完整的成像测量中估计与已知先验图像有语义相关性的对象。
Feb, 2021
该论文提出了一种基于卷积神经网络的方法,通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白,用于虚拟现实和减弱现实领域的单幅图像的新视点合成。
Jul, 2018