Sep, 2017

WESPE：数字相机的弱监督照片增强器

PDF
TL;DR本文介绍了一种基于弱监督学习的照片增强方法，使用图像生成对抗网络将低端和紧凑型移动相机拍摄的照片自动翻译成 DSLR 级别的高质量照片。实验证明，该方法能够在不需要高度标注数据的情况下，利用从互联网上获取的高质量图像集对模型进行训练，并获得与有监督方法相当或更好的增强效果。
mobile camerasdeep learninggenerative adversarial networkphoto enhancerweak supervision
发现论文，激发创造
  • 利用任意单帧图像进行微观和宏观表情检测的弱监督

    提出了一种基于点级弱监督的表情捕捉（PWES）框架，用于解决视频级和帧级表情捕捉方法的问题。通过多种策略生成更可靠的伪标签，并利用分布引导的特征对比学习增强特征相似性和变异性。在多个数据集上的实验结果表明，PWES 方法取得了与全监督方法相当的性能。

    Mar, 2024

  • 自监督图像特定原型探索用于弱监督语义分割

    提出了一种基于自我监督的图像特定原型探索的弱监督语义分割方法，结合图像特定的类别激活映射和一致性损失，实现完整的区域捕捉和特征表示，取得了 PASCAL VOC 2012 和 MS COCO 2014 分割基准数据集上的最新的最佳表现，只需利用图像级标签即可。

    Mar, 2022

  • 使用相机姿态监督学习特征描述符

    本文介绍了一种基于相对相机位姿的学习框架，采用新的损失函数和模型架构，可以弱监督学习特征描述符，从而避免了精确的像素级匹配，为更大更多样化的数据集训练描述符提供了可能。通过该框架训练的 CAmera Pose Supervised 描述符甚至优于过去的有监督描述符，实现了多种几何任务的最先进性能。

    Apr, 2020

  • 基于像素原型对比的弱监督语义分割

    本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

    Oct, 2021

  • CurriculumNet: 大规模网络图像弱监督学习

    该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

    Aug, 2018

  • 弱监督深度检测网络

    本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

    Nov, 2015

  • 通过表示、变换和补偿增强弱监督图像分割

    弱监督图像分割是计算机视觉中的关键任务，依赖于图像级别的类别标签。我们提出了一种利用具有对比学习的孪生网络改进类别活动图 (CAMs) 质量并实现自我改善过程的新型单阶段 WSIS 方法。我们的方法在 PASCAL VOC 2012 数据集上实验证明其明显优于其他最先进方法，在 PASCAL VOC 2012 验证集和测试集上分别达到了 67.2% 和 68.76% mIoU。此外，我们的方法在弱监督目标定位任务中也展现出竞争力。

    Sep, 2023

  • 使用深度卷积神经网络在移动设备上拍摄 DSLR 质量的照片

    本文提出了一种利用深度学习技术将手机拍摄照片转化为数码单反相机的图像质量。通过残差卷积神经网络提高了照片的颜色还原和图像锐度，使用一个复合知觉误差函数来度量图像质量，其中包括内容，颜色和纹理损失，并通过 DPED 数据集进行了定量和定性性评估，结果表明增强的图像质量可与数码单反照片相媲美，这种方法适用于任何类型的数码相机。

    Apr, 2017

  • AWNet：基于注意力小波网络的图像 ISP

    本论文介绍了一种利用注意机制和小波变换，名为 AWNet 的新型网络，用于解决可学习的图像 ISP 问题。实验结果表明，该方法在 qualitatif 和 quantitatif measurements 方面都取得了进展。

    Aug, 2020

  • 看清前先看远：微弱监督数据增强网络用于细粒度视觉分类

    本文提出了基于弱监督数据增强网络（WS-DAN）来增强数据的判别力，通过产生注重于目标物体区域的注意力图，从而提升深度神经网络的训练，从而提高了图像分类的准确性，得到了优于现有最优模型的结果。

    Jan, 2019