利用深度学习和最短路径问题进行图像重新组装
DiffAssemble 是基于图神经网络(GNN)的架构,通过扩散模型的形式学习解决重组任务。它在大多数 2D 和 3D 重组任务中实现了最先进的结果,并且是第一个解决旋转和平移 2D 拼图的基于学习的方法。此外,我们强调它在运行时间上的显着降低,比快速的基于优化的拼图方法快了 11 倍。
Feb, 2024
该论文提出了一种基于稠密融合的空间变换器网络和低容量自编码器的无监督联合对准方法,能够在 MNIST 和 LFW 数据集中高精度、鲁棒地对齐数百万张图像,比现有方法具有更好的对齐质量和初始鲁棒性。
Aug, 2019
本文提出了一种使用深度学习技术进行 3D 面部重建的新方法,其中使用了混合损失函数进行弱监督学习,同时利用多个图像进行面部重建,实现了快速、准确、鲁棒的重建效果,对不同数据集进行了综合实验,并与 15 种现有方法进行了比较,证明了其性能处于领先地位。
Mar, 2019
本研究提出了一种基于深度学习的图像融合算法,通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上,找到了更加紧凑和高效的网络结构,实现了比较优异的成果。
May, 2023
一篇关于图像引导物体组装的研究论文介绍了一项新任务:将结构 3D 模型的多视角图像(例如,从 3D 对象库中选择的积木构建而成的模型)翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型,通过学习图形对象图来识别图像中的组件,并通过边指定 3D 模型的拓扑结构,从而得出组装计划,并进行了全面的实证评估,证明了神经组装者的优越性。
Apr, 2024
本论文提出了一种基于无监督深度学习的图像拼接框架,包括无监督的粗略图像对齐和无监督的图像重建两个阶段,使用了降分辨率变形支路和提高分辨率的精化支路,其精度优于现有的其他技术。
Jun, 2021
提出了一种深度学习技术,用于从单个图像进行三维物体重建。与以往的方法不同的是,该方法使用只有单一视角的图像进行训练,并具有自我监督学习能力,可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。
May, 2020