Apr, 2019

边缘保留图像平滑的基准测试

PDF
TL;DR该研究通过提出一个基准，包括一个带有真实图像结果的图像数据集以及可用于生成具有竞争力的边缘保留平滑结果的基线算法，旨在解决现有算法难以对单一参数设置下适应各种图像以及评估过于主观等问题，利用深度卷积网络和设计适合于边缘保留图像平滑的新损失函数，在结果上领先于大多数最先进的平滑算法。
edge-preserving image smoothingalgorithmsbenchmarkdatasetsdeep convolutional network
发现论文，激发创造
  • 边缘保留与结构保留图像平滑的广义框架

    本文提出了一个非凸非光滑优化框架，其核心在于引入了截断的 Huber 惩罚函数来实现不同的平滑化效果，并展示了该方法在图像平滑处理中的有效性和优越性能。

    Jul, 2019

  • 迭代最小二乘实现实时图像平滑处理

    提出了一种名为迭代最小二乘法（ILS）的新全局优化方法，可用于高效的边缘保留图像平滑，并能通过 GPU 加速从而显著提高处理速度。实验结果表明该方法在处理高质量图像时具有较少的可见伪影。

    Mar, 2020

  • 无监督学习的图像平滑技术

    本文提出一种利用深度卷积神经网络进行无监督学习的统一框架，通过使用包括边缘保留正则化器和自适应 Lp 平滑准则在内的新型能量函数来生成灵活高质量的平滑效果以及实现图像的抽象化，素描，详情增强，纹理去除和基于内容的图像操作，其速度非常快，同时性能也比过去的方法更好。

    Nov, 2018

  • 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

  • 端到端有损图像压缩学习：一个基准

    该论文对学习图像压缩方法进行了全面的文献综述，并提出了一种基于粗到细超先验模型的熵估计和信号重建方法，以提高图像压缩的效率和性能。

    Feb, 2020

  • 图像去噪方法比较

    本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

    Apr, 2023

  • GSmooth: 通过广义随机光滑化证明对抗语义转换的鲁棒性

    本研究提出了广义随机平滑（GSmooth）理论框架及算法，通过新的维度扩增策略，可证明机器学习系统对普遍的语义转换是有稳健性的，采用基准测试的方法得到的结果显示了我们的方法非常有效。

    Jun, 2022

  • 单张图像去雨：全面基准分析

    本文针对单幅图像去雨算法进行了全面的研究和评估，建立了一个大规模的数据集作为对比基准，其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容，并将其分为雨纹、雨滴、雨和雾三个子集，每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准，从全参考度量到零参考度量，到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性，并提出了有前途的未来方向。

    Mar, 2019

  • 单幅图像去雾及深度学习评估

    本文使用 RESIDE 数据集，对现有的单幅图像去雾算法进行了全面的研究和评估，提出了丰富的评价指标从多个角度进行度量，并通过实验比较了现有算法的优缺点，探索了未来的研究方向。

    Dec, 2017

  • 随机平滑的可扩展认证分割

    提出了一种基于随机平滑的图像和点云分割的新认证方法，利用多重测试机制确保统计保证，并能够对单一像素或点进行分类性弃权，实现对整个输入的鲁棒分割，实验证明算法在真实世界的分割任务中具有具有竞争力的精度和认证保证。

    Jul, 2021