端到端的指纹去噪和修复
本文介绍了一种多尺度卷积网络 ——U-Finger,用于指纹图像去噪和修复,通过使用膨胀卷积和去除填充等方法,在保留细节纹理的同时消除了复杂的伪影,并在 ECCV 2018 Chalearn LAP Inpainting 比赛中取得了第二名的好成绩。
Jul, 2018
使用端到端可训练的卷积神经网络 FPD-M-net,将指纹去噪和修复问题作为分割任务,以结构相似度损失函数为基础,从噪声背景中更好地提取指纹,并在 Chalearn LAP 修复竞赛的第三轨道中排名第 3。
Dec, 2018
利用生成卷积网络对指纹进行去噪和缺失图案预测的方法,作为指纹识别前的预处理步骤,能够显著降低 false positive 和 false negative 检测率,并可与多种标准特征提取方法结合使用,如 MINDTCT,MCC,BOZORTH3 等,本方法在使用不同传感器捕获的多个公开指纹数据集上进行了测试。
May, 2017
基于对比学习的 Video Inpainting LOcalization (ViLocal) 方案使用 3D Uniformer 编码器学习了有效的时空取证特征,通过吸引 / 排斥正 / 负原始和伪造像素对捕捉到了图像修复不一致,然后通过专门的两阶段训练策略利用轻量级卷积解码器生成了一个像素级修复定位地图,实验证明 ViLocal 优于现有技术。
Jun, 2024
本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题,并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题,该方法在性能上与已有的训练网络方法相当,但不受训练数据可用性限制。
Feb, 2019
通过深度学习,对于图像和视频修复的基于深度学习的方法进行综合评述,并从高水平的修复流程、深度学习架构、模块设计等多个角度进行分类总结。同时,讨论了训练目标、常见基准数据集、评估指标以及各修复方法的优势、局限性及实际应用,并探讨了公开挑战和未来可能的研究方向。
Jan, 2024
本文提出了一种基于深度学习的人脸修复算法,结合人脸关键点预测和图像修复,实现了对人脸姿态、表情和遮挡等多方面的修复。在 CelebA-HQ 和 CelebA 数据集上的实验表明,该算法在视觉效果和定量评估上均超过了现有算法。同时,本文还发现高质量的修复图像和其关键点可以有效提高关键点预测模型的性能,在 300W 和 WFLW 数据集上也得到了验证。
Nov, 2019
本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法, 包含了传统方法的优点,并集成在一个统一的网络中,改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。
Sep, 2017
本文旨在进行普适图像修复检测,实现检测网络广泛应用于不同的 deep image inpainting 方法,通过提出新的数据生成方法,建立训练数据集,并设计了 Noise-Image Cross-fusion Network,有效利用图像和噪声模式中的区分性信息,在多个基准数据集上实证表明,我们的方法优于现有的检测方法并且对未知的 deep inpainting 技术具备很好的泛化能力。
Jun, 2021
提出了一种新颖的视频修复算法,通过 Deep Image Prior(DIP)推出的卷积网络,同时生成缺失的外观和光流信息,并采用一种无需先验训练的生成式方法进行修复。该方法具有良好的视觉效果和长期一致性。
Sep, 2019