本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法,用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像,不需要原始图像,也不需要手动设置的图像先验条件,并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。
Jun, 2018
通过在少数几个度量值中应用未训练卷积神经网络的自正则化属性,在没有任何正则化的情况下,可以从少数的随机测量中大致重建具有足够结构的信号和图像。
May, 2020
本文研究利用半监督深度学习和图像处理技术,对农业收获量进行精准预测,成功捕获细杆随机叠放的复杂密度物理特性,并优于传统预测方法,该方法具有普遍适用性。
Aug, 2019
本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架,通过训练不需要预训练或注释的神经网络,为单视图深度预测提供了一种新的方法。
Mar, 2016
本文研究了使用未经过训练的深度神经网络先验条件下的线性反演问题,包括压缩感知和相位恢复,并提出了基于梯度下降的算法以及证明了其收敛性。同时,本文还展示了相比于手工制作的先验条件,使用深度神经网络先验条件可以在相同的图像质量下实现更好的压缩率。
Jun, 2019
利用一种新颖的训练方法,基于有噪声图像的非组织集合来培训高质量的图像去噪模型,通过采用具有感受野盲区的网络来消除对参考数据的需要,提高了图像质量和训练效率,最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
本文提出一种基于 Stein's unbiased risk estimator(SURE)的方法,从含有高斯噪声的图像数据中训练深度学习去噪网络,在没有无噪声图像的情况下使用 SURE 方法,使得网络的性能接近于使用有噪声图像的有监督学习方法,同时使用 SURE 方法进行快速后处理可以进一步提高性能。
Mar, 2018
本研究介绍了如何使用合成数据集来增强预训练的卷积神经网络,从而提高其在实际领域中的性能,尤其在光流估计领域取得了最先进的成果。
Aug, 2018
本文提出一种基于神经网络的端到端方法,通过引入新的模块和层保留基本矩阵的数学属性,无需依赖于点对应关系来估计基本矩阵,在 KITTI 数据集上取得了与传统方法相媲美的性能。
Oct, 2018
该论文提出了一种可以使用无标注数据进行训练的,基于三目摄像机的深度估计方法,其在 KITTI 数据集上取得了比其他基于双目摄像机以及其他线索的方法更好的性能。