CVPRApr, 2019

端到端投影仪光度补偿

PDF
TL;DR本文提出了一个名为 CompenNet 的卷积神经网络，可以通过端到端的学习来解决投影变形失真的问题，并提出了一个新的独立于系统设定的评估方法来验证其性能。实验结果表明，该方法优于现有技术。
projectorphotometric compensationconvolutional neural networkcompennetend-to-end learning
发现论文，激发创造
  • CompenNet++：端到端全投影仪补偿

    该研究提出了一种名为 CompenNet ++ 的端到端解决方案，通过联合解决几何和光度失真问题，实现了全投影仪补偿，在实验中显示出明显的优势。

    Aug, 2019

  • CompenHR：高分辨率投影仪的高效全补偿

    本研究提出了一种实用的高分辨率投影仪全补偿解决方案，采用基于注意力机制的网格细化网络来提高几何校正质量，并将一种新颖的采样方案整合到端到端的补偿网络中以减轻计算负担，并引入注意力块以保留关键特征，同时构建了一个用于高分辨率投影仪全补偿的基准数据集。在实验中，我们的方法在效率和质量上表现出明显优势。

    Nov, 2023

  • 训练和预测实时应用的视觉误差

    利用卷积神经网络预测视觉错误指标使得实时应用中的内容自适应阴影渲染更高效，具备较强的可推广性和计算速度。

    Oct, 2023

  • 深度单张图像相机标定的感知度量

    本论文提出使用一个深度卷积神经网络直接推断相机标定参数，其优于各种其他方法，包括最近的基于深度学习的方法，并通过人类感知研究展示其实用性。

    Dec, 2017

  • 基于对比参数方程的深度量子图像增强

    为了增强图像而不受其反射率的强约束，我们提出了一种新的可训练模块，它将低照度图像和光照图映射成增强图像，并结合无监督学习适应不同任务。

    Apr, 2023

  • 机器端到端优化的图像压缩研究

    本文提出了一种基于神经网络的编解码及任务模型的联合训练方法，用于实现远程机器任务分析的图像压缩，研究表明，进行编解码和任务网络的联合优化可以显著提高任务准确性，在训练和部署的限制下，可以选择性地进行编码器、解码器或任务网络的微调，并仍然实现高于现成解决方案的速率和准确度。

    Nov, 2020

  • 使用校准反投影层的无监督深度完成

    本研究使用卷积神经网络，引入校准回投影层来实现从图像和稀疏点云中推断密集深度图像，并通过最小化光度再投影误差来训练该神经网络，实验表明该网络在缺失值插值上比传统方法和目前状态的深度估计算法表现要好。

    Aug, 2021

  • 探索压缩图像表示作为感知代理：一项研究

    我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

    Jan, 2024

  • 通用表面光度立体摄影的非校准神经反渲染

    本文提出了一个针对光度立体问题的不需要校准的深度神经网络框架，通过估计输入图像的光线方向来计算表面法线、双向反射分布函数值和深度，同时显式模拟图像形成过程中的凹凸面部分的互反射效应，结果表明该方法在挑战性主题上表现优于监督和经典方法。

    Dec, 2020

  • 基于显著性驱动的感知图像压缩

    本文提出了一种新的端到端可训练模型，用于有损图像压缩。该方法包括几个新颖的组件，其中包括充分的感知相似度度量、图像中的显着性和分层自回归模型。该模型不仅生成视觉效果更好的图像，而且在后续计算机视觉任务（如目标检测和分割）中也具有优越的性能。

    Feb, 2020