清理动作捕捉数据的深度循环框架
本文提出了使用自适应学习框架解决多目标过滤的固定运动和测量模型问题,通过使用随机有限集术语定义目标元组以及利用具有长短期记忆结构的递归神经网络,提出了一种与预测轨迹元组兼容的新型数据关联算法,使得能够更新被遮挡的目标以及分配目标的出生、存活和死亡。该算法在一个常用的过滤器模拟场景中进行了评估,结果非常有前途。
Jun, 2018
本文提出了一种基于事件相机的深度学习方法,通过卷积循环神经网络和可微分方向事件过滤模块整合全局和局部尺度的视觉和时态知识,提取边界先验信息,从而达到了恢复运动模糊图像的最佳质量,适用于真实世界的运动模糊问题。
Apr, 2020
我们提出了一种新颖的基于位置的学习方法,用于清理和解决光学动作捕捉数据。我们提出了一种新的异构图神经网络,将标记点和关节视为不同类型的节点,并使用图卷积操作提取标记点和关节的局部特征并将其转化为清晰的动作。我们的方法在多个数据集上取得了高准确性,相对于最先进方法,对于遮挡的标记点位置误差的预测准确性提高了约 20%,从而进一步降低了重建关节旋转和位置的误差约 30%。
Sep, 2023
本文介绍了一种新颖的无监督视频去噪深度学习方法,可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性,其方法包括三个模块:生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络,可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明,我们的方法可以有效地去噪现实中的钙成像视频序列,而无需先验知识和数据增强训练。
Jul, 2023
运用机器学习技术解决实时光学动作捕捉系统面临的挑战,包括通过模型训练解决标记估计的噪声问题、训练数据的获取和分布问题,实现即使使用稀疏的廉价传感器仍能提供稳健的基于标记的动作捕捉;通过采用统一的表示方法,以无标记动作捕捉的进展获取所需数据;通过改进的逆向运动学解决方案来考虑测量和推理的不确定性,进一步提高性能和稳健性。
Sep, 2023
本文提出一种新的方法,通过将动态模块集成到基于深度学习的 MRI 重建过程中,实现图像加速和运动校正的同时进行,实验结果表明,该方法在运动损坏的 MRI 数据集上优于传统图像重建方法。
May, 2024
本文提出了一种新颖的基于生成对抗网络(GAN)的深度滤波器,其与全局跳跃连接和密集结构相集成,以解决由于相机和物体之间的相对运动引起的运动模糊问题。在不需要进行模糊核估计的情况下,我们的模型显著减少了测试时间,证明了该方法在定量和定性上均胜过现有的盲去模糊算法,具有实际应用前景。
Sep, 2017
本研究提出了一种基于线性动态系统和非线性映射理论的预测 - 纠正神经网络模型,能够自适应地关注‘惊奇’的视频帧,优化学习效率。研究表明,该模型在三个挑战数据集上的表现与双流网络相当,而无需计算昂贵的光流技术。
Apr, 2017