Jan, 2017

自动图像剪裁算法的定量分析：数据集和比较研究

PDF
TL;DR本研究通过对传统方法和基于排名的图像剪裁器的研究，讨论了基于学习排名算法处理自动图像剪裁问题。此外，作者还提出了一个新数据集，以评估各种基线算法的表现。实验结果为设计更好的自动剪裁算法提供了有价值的见解。
发现论文，激发创造
  • 使用深度神经网络和级联回归进行自动图像裁剪以进行视觉美学增强

    本文提出了一种基于级联裁剪回归（CCR）的图像裁剪方法，使用专业摄影师的知识来学习裁剪。利用大规模视觉美学数据集训练了一个深度卷积神经网络（CNN）分类器，再在几个图像裁剪数据集中提取特征，由 CCR 方法预测裁剪边界框，实验结果表明该方法显着优于几种最先进的图像裁剪方法。

    Dec, 2017

  • 可靠高效的图像裁剪：一种基于网格锚点的方法

    本文提出了基于 grid anchor 的图像裁剪公式，并设计了有效的轻量级神经网络，同时考虑 ROI 和 ROD，从而在不同场景下运行并稳定输出具有高视觉感受性的图像截图。

    Apr, 2019

  • 由美学照片学习组合，实现图像剪裁的端到端神经网络

    该论文提出了一种基于深度学习的图像裁剪方法，利用卷积神经网络和回归网络，仅需一个锚定区域即可直接输出最终结果，从而实现高精度和高效率。

    Jul, 2019

  • 基于组合和显著性感知美学评分地图的图像裁剪

    该研究提出了一种可解释的图像裁剪模型，使用深度学习方法生成美学评分地图，在裁剪级别的美学评价中考虑图像的组合和显著性，从而实现高质量的美学图像裁剪。

    Nov, 2019

  • 通过注意框预测和美学评估实现深度裁剪

    本文提出了一种通过级联注意框回归和美感质量分类的深度学习建模来解决照片剪裁问题的方法。该神经网络使用由两个分支构成的结构，能够预测注意力包围框并分析美感特征，通过共享特征来提高计算效率。实验结果表明，该方法在照片剪裁方面取得了很高的效果，具有竞争性的结果和快速的处理速度（所有步骤运行速度为每秒 5 帧），即便是在有限的照片剪裁训练数据的情况下。

    Oct, 2017

  • 图像裁剪解析

    本文研究了计算机视觉中的裁剪操作对图像质量的影响，特别是对于色彩像差和暗角等图像瑕疵的快速检测与矫正，并探讨了其对神经网络学习的影响。

    Nov, 2020

  • 设计约束下的图像裁剪

    提出一种基于评分函数的图像裁剪方法，其计算裁剪结果的分数是否在美学上可行并满足设计约束条件，并对在设计约束下的图像裁剪提出两种派生方法：基于提案的方法和基于热图的方法。实验证明，所提出的方法在图像裁剪方面优于基准方法，基于提案的方法在相同计算成本下优于基于热图的方法，但基于热图的方法在增加计算成本的情况下获得更好的分数。实验结果表明，在美学上可行的区域和满足设计约束条件之间的平衡是一个触动灵敏的问题，并且两种所提出的方法都是合理的选择。

    Oct, 2023

  • 比较不同人工智能范式、增强和裁剪策略学习的生物数据表示

    该研究提出了一个简单的卷积神经网络架构，并在相同条件下使用不同的数据增强和裁剪策略训练了 16 种不同的深度学习模型，以比较其在药物识别、控制组分类和细胞聚类这三个下游任务中所学到的特征提取的性能和效率，其结果表明，多切割和随机增强通常能提高性能，而自我监督模型的性能也非常高，是训练速度最快的模型之一，但需要最大的内存和计算资源。

    Mar, 2022

  • 基于网格锚点的图像裁剪：新的基准和高效模型

    本研究提出了一种基于网格锚定的图像裁剪模型，通过考虑图像裁剪的特殊性质和要求，如本地冗余、内容保留、宽高比，构建了一个网格锚定裁剪基准，并定义了更可靠的评估指标。同时，该模型模型还采用了多尺度信息，可以为不同场景的图像稳健地输出视觉上令人愉悦的裁剪。

    Sep, 2019

  • Twitter 上的图像裁剪：公平度量、其限制以及代表性、设计和代理的重要性

    Twitter 采用机器学习裁剪图像，利用公平指标分析系统倾向于轻皮肤而非暗皮肤、裁剪女性身体而非头部等偏见，提出需移除基于显著点的裁剪，发扬人的主观能动性。

    May, 2021