基于马尔可夫随机场和卷积神经网络的图像合成
本文提出了一种基于全连接神经元的新型 MRF 模型,将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起,通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示,实现了高效的学习和在各种低级视觉任务中的卓越表现。
Sep, 2016
本论文提出了一种名为 Deep Parsing Network (DPN) 的卷积神经网络,通过将高阶关系和标签上下文的混合引入到 MRF 模型中,该网络能够在一次前向传递中实现确定性的端到端计算。与先前使用迭代算法优化 MRF 不同的是,该论文通过 DPN 精确求解 MRF,并能够在近似一次 MF 迭代的情况下达到较高的分割精度。此外,DPN 使得 MF 更容易被并行化和加速,从而可以实现高效的推理。
Jun, 2016
此研究旨在将马尔可夫随机场与深度学习相结合,提出了一个训练算法,可以学习结构化模型和深度特征,以提高多个随机变量的预测性能。该算法在预测词汇和图像多分类上均具有重要的性能提高。
Jul, 2014
介绍了一种名为 CRF-RNN 的新型卷积神经网络,该网络将卷积神经网络(CNN)和基于 CRFs 的概率图建模相结合,用于语义图像分割任务,结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。
Feb, 2015
该论文介绍了一种解决视频对象分割问题的新型空间 - 时间马尔可夫随机场(MRF)模型,该模型通过卷积神经网络(CNN)编码像素之间的空间依赖关系,并利用光流建立时间依赖关系来结合空间和时间线索,提出了一种嵌入 CNN 的算法,以实现近似的 MRF 推理。
Mar, 2018
基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升,通过在潜在函数和信息传递方面应用数据驱动的神经网络,该模型有效地解决了传统立体方法中的建模限制和精度问题,并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理,并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN),使得该方法在 KITTI 2012 和 2015 榜单上名列第一,且运行时间不超过 100 毫秒。与传统的全局方法相比,本方法的性能显著提升,例如在 KITTI 2015 数据集上将 D1 指标降低了 50%,并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。
Mar, 2024
该研究论文通过将高阶关系和标签上下文混合等丰富信息融入到马尔可夫随机场中,提出了一种名为深度解析网络的卷积神经网络,通过一次前向运算实现确定性的端到端计算。在 PASCAL VOC 2012 数据集上经过全面评估,表现出卓越的分割准确性。
Sep, 2015
本篇论文提出了一种新的方法,通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示,使用屏幕空间卷积,来提高外观的质量和整个框架的表现。
Apr, 2023
文章提出了一种利用联合 CRF 和卷积神经网络解决单个图像预测深度图和本征图的方法,该方法命名为联合卷积神经场模型 (JCNF),该方法在单图深度估计和本征图分解两个任务上均超越了现有方法。
Mar, 2016
本文提出了一种基于生成的多列网络来进行图像修复的方法,该方法通过采用置信度驱动的重建误差和多重随机场正则化来增强图像的全局和局部细节,在不需要进行后期处理的情况下,在挑战性的街景、人脸和自然场景下产生了令人信服的视觉效果。
Oct, 2018