Dec, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 面向美学的图像剪裁增强学习（A2-RL）

    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。

    Sep, 2017

  • 深度 CNN 学习摄影美学

    提出了一种基于深度卷积神经网络的多任务自动照片美学评估方法，在预测总体美学评分的同时联合学习了八个美学属性，并通过梯度反向传播可视化方法，展示了学习到的模型所代表的属性的重要图像区域。

    Jul, 2017

  • 寻找稀有之美：对比组合特征聚类用于非平凡裁剪框回归

    提出了一种基于对罕见样本进行聚类和区分的对比度组合聚类（C2C）算法，以实现对多个图像的常见构图模式更好的总结，从而使模型更具有差异化和更好的推广能力，此算法能够有效地解决自动图像裁剪中由于注释偏差而导致的普通重组结果。

    Feb, 2023

  • 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

  • 提高所有尺度全景分割

    本研究提出使用基于作物的训练策略进行图像分割，解决了 GPU 内存消耗问题，同时通过引入新的注重剪裁平衡的边界框回归损失和数据采样增强策略以改善多尺度下的泛化，将该方法应用于 MVD、Indian Driving 和 Cityscapes 数 据集中，取得了 + 4.5％ PQ 和 + 5.2％ mAP 的最新成果。

    Dec, 2020