PixelNN: 基于示例的图像合成
本文提出了一种不需要训练的基于补丁的优化框架,比单个图像 GAN 方法快 1000~10000 倍,并产生比任何以前的方法(无论是基于 GAN 还是基于经典补丁的方法)更优越的结果和更真实的整体结构,应用广泛,如图像编辑和重塑大小。
Mar, 2021
本文介绍了一种深度神经网络模型,用于在两个空间维度上序列预测图像像素;该模型对图像的离散概率进行建模,并在深层循环网络中使用了快速的二维循环层和残差连接,实现了比以前的最新技术更好的自然图像日志似然度分数。
Jan, 2016
本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则,通过分层抽样像素来增加多样性,探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务,最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。
Feb, 2017
本文提出了一种新颖的深度神经网络架构,其可直接从像素级数据对图像进行新视图综合,并通过端到端的训练实现。与传统的多阶段处理方法不同,该系统具有广泛适用性和高质量的结果,是深度学习应用于真实自然图像综合的首例研究。
Jun, 2015
该论文提出了一个像素递归超分辨率模型,可综合提高图像的分辨率并增强其真实感;该模型能够表示多模态条件分布,使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络,保持了照片的真实感。
Feb, 2017
通过采用分层抽样和多尺度特征的方法,优化以卷积预测器为基础的像素级预测问题的神经网络结构,显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.
Sep, 2016
本论文提出了 Fourier-CPPNs(F-CPPNs),并将其用于创造性的目的,例如神经美术。F-CPPNs 以像素输出的频率信息为特征,明确地模型化频率信息,捕获 DC 分量以外的频率,为图像合成提供了改进的视觉细节。
Sep, 2019
本文提出了一种名为 Neighbor2Neighbor 的简单而有效的方法,利用自监督学习中的随机邻居子采样器在只有噪声图像的情况下训练图像降噪模型,并在理论和实验验证中证明了其有效性。
Jan, 2021
本研究提出了一种并行化的 PixelCNN 模型,将某些像素组建模为条件独立,实现了更高效的推理和生成,相比每像素逐一生成,采样速度从 O (N) 提升为 O (log N),实现了 512x512 图像的实用生成。在类条件图像生成、文本图像合成和动作条件视频生成等方面实现了最佳效果。
Mar, 2017