CVPRMay, 2018

学习双卷积神经网络用于低层次视觉

PDF
TL;DR本文提出了一种通用的 DualCNN 卷积神经网络，用于解决低级别视觉问题，如超分辨率、边缘保留滤波、降雨和去雾。DualCNN 由两个并行的分支组成，分别恢复结构和细节，是低级别视觉任务的一种灵活的框架，可以轻松地集成到现有的 CNN 中。实验结果表明，DualCNN 可以有效地应用于许多低级别视觉任务，在性能方面优于现有的方法。
dualcnnconvolutional neural networklow-level visionstructuresdetails
发现论文，激发创造
  • 当图像去噪遇见高级视觉任务：一种深度学习方法

    本文使用卷积神经网络对图像去噪，并将其与各种高级任务联合处理，使用联合损失更新去噪网络，证明了同时利用图像语义进行图像去噪及高级视觉任务的益处。

    Jun, 2017

  • 使用双分支深度卷积神经网络架构进行低分辨率人脸识别

    本文通过使用深度卷积神经网络和超分辨网络，提出了一种新的低分辨率人脸识别模型，并在 FERET 数据集上进行了评估，结果显示，相较于其他替代方法，本方法在特别是针对非常低分辨率的探测人脸图像时取得了显著的识别性能提高，并能在保证视觉质量等方面达到与超分辨率方法相当的低分辨率图像重建效果。

    Jun, 2017

  • 双卷积神经网络

    本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

    Oct, 2016

  • 深度学习连接图像去噪和高级视觉任务

    本文提出了使用卷积神经网络进行图像去噪和利用深度学习同时处理图像去噪和高级视觉任务的解决方案，并进行了实验验证。

    Sep, 2018

  • 设计和训练一种用于图像去噪的双卷积神经网络

    本文介绍了一种名为 DudeNet 的基于深度卷积神经网络 (DCNNs) 的图像去噪算法，其通过全局特征提取、局部特征提取以及两者融合的方式实现图像去噪，达到了优于同类算法的效果。

    Jul, 2020

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 结构生成和细节增强联合人脸超分辨率和去模糊

    本文提出了一种利用人脸专业知识恢复高质量人脸的有效算法，通过面部组件指导的深度卷积神经网络与基于演示的细节增强算法，在超分辨率和去模糊同时处理中增强了面部细节。

    Nov, 2018

  • 基于轻量级残差卷积神经网络的单张图像超分辨率

    本研究旨在扩展残差网络的优点，如快速训练，用于低级视觉问题，即单个图像超分辨率，通过引入跳跃连接和逐渐改变网络形状的策略，该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果，并产生了视觉上令人愉悦的结果。

    Mar, 2017

  • 单张图像反射消除和图像平滑通用深度架构

    本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

    Aug, 2017

  • 双深度网络视觉跟踪

    本文提出了一个用于视觉跟踪的双网络模型，利用不同深度网络层次上的结构进行层次特征的提取，通过层次特征和边缘检测器相结合，进一步嵌入目标周围局部细节，并对其进行在线更新和独立分量分析，实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明，所提出的算法具有很好的性能。

    Dec, 2016