Mar, 2019

基于 Seam Carving 和 Parental Labeling 的快速视频重定向

PDF
TL;DR提出一种基于 seam carving 的新型视频重定向算法，通过动态时空缓冲区的能量图和标准差运算符，去除具有较低能量变化的区域，同时采用一种改进的能量函数来考虑运动信息，对现有的视频重定向方法进行比较。实现了 93% 的处理时间降低和更高的帧一致性。
seam carvingvideo retargetingdynamic spatiotemporal bufferenergy functionmotion detection
发现论文，激发创造
  • 利用变形场进行视觉数据重定向

    基于神经网络的位移字段描述图像编辑和重定向，适用于不同类型的视觉数据，并且在内容感知重定向方面表现优于之前的方法。

    Nov, 2023

  • 具有内容感知形状调整的三维形状增强

    近期在三维模型方面的深度学习研究取得突破，主要集中在生成、检测和场景理解。为了应对大型训练数据集的挑战，我们引入了一种基于拼接裁剪的新颖三维模型增强方法，称为高效三维拼接裁剪（E3SC），它在保证整体语义不受影响的同时，逐步变形输入模型的部分区域。实验证明，我们的方法能够在各种类型和风格的输入模型上生成多样且高质量的增强三维形状，并相对于之前的方法取得了显著的改进。定量评估表明，我们的方法有效提升了其他后续三维生成算法所生成形状的新颖性和质量。

    May, 2024

  • 快速混合图像调整

    本论文提出了一种基于内容感知裁剪的图像重塑方法，该方法通过生成源图像的重要性映射并使用语义分割和显著性检测模型计算初步扭曲网格，然后结合扭曲度量以确保最小变形，并使用内容感知裁剪算法生成新的目标图像，通过 RetargetMe 基准测试的用户研究分析表明我们的方法在执行时间的一小部分内胜过了其他现有的方法。

    Mar, 2022

  • 利用时间性进行半监督视频分割

    本文提出了一种端到端可训练的深度学习模型，利用时间信息来利用易于获取的未标记数据，从而解决了视频分割中标签稀缺的问题。实验结果表明，该模型能够显著优于基线方法和逐帧图像分割。

    Aug, 2019

  • 使用端到端框架重定向视频

    本研究介绍了一种端到端的视频缩放方法，通过设计内容特征分析器（CFA）和自适应变形估计器（ADE），消除了传统方法中的计算瓶颈，实现了视频任意宽高比的缩放，并在质量和运行时间方面优于先前的工作。

    Nov, 2023

  • Recycle-GAN: 无监督视频重定向

    该论文介绍了一种数据驱动的无监督视频重定向方法，它可以将一个领域的内容转化为另一个领域的内容，并保留原本领域的风格和特性，它将空间和时间信息与对抗损失相结合，用于内容转换和风格保护，尤其适用于时空转换等应用。

    Aug, 2018

  • 通过时空对齐和聚合的深度视频抠图

    本文介绍了一个深度学习的视频抠图框架，使用了一种新颖和有效的时空特征聚合模块 (ST-FAM)，同时引入了一种轻量级的交互式 trimap 传播网络，配合一个大规模的视频抠图数据集进行评估，实验结果表明，该框架在具有多帧时间信息的视频中，在定量和定性实验中均显著优于传统视频抠图和应用于视频的深度图像抠图方法。

    Apr, 2021

  • 显著性感知立体视频重定标

    提出了一种基于深度学习的无监督立体视频重定向网络，使用 1D 卷积平移显著对象并使用立体视频 Transformer 辅助重定向过程，在 KITTI 立体 2012 和 2015 数据集上进行了广泛的定量和定性实验，相比现有的最先进方法，取得了更高的有效性。

    Apr, 2023

  • 基于注意力引导的时间连续视频对象抠图

    该论文提出了一种基于深度学习的新型视频对象抠图方法，能够实现时间上连贯的抠图效果，并使用注意力机制的时间聚合模块在特征空间中计算相邻像素沿时间轴的时序相关性，同时利用带有稀疏用户注释关键帧的先进视频对象分割网络进行细调以解决抠图问题。实验结果表明，该方法能够生成适用于各种视频的高质量阿尔法抠图。

    May, 2021

  • 基于帧间聚合的网络视频主体区域弱监督语义分割

    本研究利用网络上自动采集的视频，通过使用时域信息可以识别目标对象的更大区域，从而产生与标记相似的结果，该方法在验证集上超过了现有标准，并使结果达到了最新的水平。

    Aug, 2019