CVPRSep, 2017

面向美学的图像剪裁增强学习（A2-RL）

PDF
TL;DR本研究提出了一个弱监督美学感知强化学习 (A2-RL) 框架，将美学图像裁剪作为一个序列决策过程，并开发了一种美学感知奖励函数，使用 actor-critic 结构以端到端方式训练智能体，实验结果表明，我们的方法在使用较少的候选窗口和时间的情况下实现了状态 - of-the-art 的性能。
image croppingweakly supervised learningreinforcement learningaesthetic qualityactor-critic architecture
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用现有的深层网络进行字幕和美学引导的图像裁剪

    我们提出了一种新颖的优化框架，它可以基于用户描述信息和美学目标对给定图像进行裁剪，通过重新利用预训练的图像标注和美学任务网络直接优化裁剪参数，并通过多种策略实现了优化目标的实现，定量与定性实验证明我们的框架可以产生符合预期的用户描述和审美标准的裁剪图像。

    Jan, 2022

  • CROP: 基于紧凑重塑观察处理的分布偏移鲁棒性强化学习

    本文提出 Compact Reshaped Observation Processing (CROP) 方法，通过减少用于策略优化的状态信息来提高数据效率和泛化能力，为完全可观测的观察和行动空间制定了三个 CROP，并在分布式安全格网世界中进行了实证展示。同时，与两个不同大小的程序生成的迷宫进行了基准比较，表明了 CROP 的改进。

    Apr, 2023

  • 自动图像剪裁算法的定量分析：数据集和比较研究

    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。

    Jan, 2017

  • 通过函数平滑证明强化学习的稳健策略

    本文介绍了一种名为 CROP 的统一框架，该框架旨在提供针对行动和奖励水平的稳健性认证，通过局部平滑算法和全局平滑算法来保证措施的鲁棒性。CROP 被用于评估几种现有的 RL 算法，包括 Atari 游戏和 Highway、CartPole 等环境，并证明了认证的准确性。

    Jun, 2021

  • 通过绘画专业照片来学习主题感知裁剪

    通过将库存图像与现代预训练的文本 - 图像扩散模型相结合，我们提出了一种弱监督方法（GenCrop），用于从专业库存图像中学习高质量的主题感知裁剪，从而自动生成了一大批裁剪 - 未裁剪的训练对。尽管是弱监督的，GenCrop 在定量和定性评估指标上与最先进的监督方法相媲美，并且比可比的弱监督基线方法显着优秀。

    Dec, 2023

  • 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