自适应样式不变神经网络的批量实例归一化
本研究提出了新的、广义的标准化模块 ——Dynamic Instance Normalization(DIN),通过组成实例标准化和动态卷积将风格图像编码成可学习的卷积参数,从而实现了灵活且更高效的任意风格转移。实验结果表明,所提出的方法在具有挑战性的风格模式上具有非常鼓舞人心的结果,并且是使用基于 MobileNet 的轻量级架构进行任意风格转移的首次,并且在计算成本方面比现有方法提供了超过 20 倍的降低因素。此外,所提出的 DIN 为最先进的卷积操作提供了灵活的支持,因此触发了新的功能,如非自然图像的均匀笔触位置和自动空间笔触控制。
Nov, 2019
本文提出了一种称为 MetaBIN 的框架,利用元学习模拟先前不成功的普遍化场景,将可学习的批次 - 实例标准化层与元学习相结合,以改善 Re-ID 领域中的泛化能力问题。
Nov, 2020
本文提出了一种简单而有效的方法,通过引入自适应实例标准化(AdaIN)层,实现了实时的任意风格迁移,其可以灵活控制权衡内容和风格、风格插值以及颜色和空间控制。
Mar, 2017
本文提出了一种基于 Sigmoid 函数和分组归一化的 Instance-Layer Normalization (ILN) 层,用于 DCNN 的浅层特征图融合。使用 U-Net 作为 DCNN 架构以右心室和左心室的图像分割为例,验证了 ILN 在各种常见规格网络上的有效性,优于传统的与流行的归一化方法。
Aug, 2019
本研究提出了一种创新技术,通过样式一致的实例归一化和基于实例的对比学习方法来改进生成的艺术风格图片的质量,引入感知编码器来捕获样式特征,实验证明该方法生成了高质量的艺术风格图片并有效地避免了伪影。
Apr, 2024
本文提出了 MLA-BIN 来解决联邦学习中的领域泛化问题,在医疗图像分割任务上经过了广泛的实验验证,证明其优于现有的最先进方法。
Jun, 2023
本文提出了一种基于深度学习的图像和谐方法,通过引入基于区域的自适应实例归一化 (RAIN) 模块,实现了前景与背景之间的视觉风格一致,并且在现有数据集上进行了大量实验验证,提出的方法具有很高的应用价值。
Jun, 2021
Instance Enhancement Batch Normalization proposes a self-attention mechanism to regulate the noise of Batch Normalization via enhancing instance-specific information, and it outperforms BN in image classification tasks with only a light parameter increment.
Aug, 2019
本文提出了一种称为自适应批量归一化(AdaBN)的方法来提高深度神经网络的泛化能力,无需额外组件或参数,并证明其在领域适应任务和现有方法相结合时具有卓越的性能表现。
Mar, 2016