可变形核网络用于联合图像滤波

Oct, 2019

Deformable Kernel Networks for Joint Image Filtering

Beomjun Kim, Jean Ponce, Bumsub Ham

TL;DR该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

Abstract

joint image filters are used to transfer structural details from a guidance picture used as a prior to a target image, in tasks such as enhancing spatial resolution and suppressing noise. Previous methods based on convolutional neural networks (CNNs) combine nonlinear activations of sp

joint image filters spatially-variant kernels cnn architecture deformable kernel network weighted averaging

发现论文，激发创造

引导深度图上采样的可变形核网络

通过学习稀疏且空间变异的卷积核，我们提出了一种新的 CNN 体系结构和实现方式（DKN），用于将高分辨率彩色图像转换为相应的低分辨率深度图。我们还提出了 FDKN 的快速版本，它在标准基准测试上明显优于现有方法。

Mar, 2019

学习形变核对图像和视频去噪

本文提出了一种基于深度神经网络的变形二维卷积核和三维卷积核的去噪方法，能够自适应地适应图像结构，并在处理具有大运动的动态场景时具有较好的性能。

Apr, 2019

深度卷积神经网络联合图像滤波

本研究提出了一种学习性方法，基于卷积神经网络构建联合滤波器，该算法可以选择性地传输与指导和目标图像一致的重要结构，验证表明该联合滤波器在抑制噪声或增强空间分辨率方面具有有效性，并且具有与现有最先进方法相当的性能。

Oct, 2017

卷积核网络

通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题，其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

Jun, 2014

可变形卷积神经网络

本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

Mar, 2017

动态大核与动态特征融合用于三维医学图像分割的 D-Net

Hierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.

Mar, 2024

网络反卷积

本文讨论了卷积神经网络中重复数据学习的问题，提出了基于网络去卷积的方法，通过一系列实验发现该方法能够有效地提高模型性能并加速训练收敛速度。

May, 2019

动态过滤网络

介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

May, 2016

视频中高效姿态估计的动态核蒸馏

提出了一种基于 DKD 模型的人体姿势估计方法，通过利用时间线索进行姿势核的在线蒸馏和通过简单的卷积计算实现当前帧和姿势核之间的匹配，从而实现对小网络姿态估计的显著提升。

Aug, 2019

可变形卷积核：为物体变形适应有效感受野

本文提出 Deformable Kernels (DKs) 方法来解决卷积网络对于物体几何变化缺乏感知，通过直接适应有效接收域（ERF）来处理物体变形，在多个任务和标准模型上，DKs 方法比先前的方法具有更好的性能。

Oct, 2019