Jul, 2020

文档图像去扭曲的门控和叉分堆叠 U-Net 模块

PDF
TL;DR本文提出了一种基于深度学习的 Gated and Bifurcated Stacked U-Net 的方法，用于去除手持设备捕捉的文档图像中的失真，并在大幅减少所需数据量的情况下，在 DocUNet 数据集上实现了最先进的性能。
document image processingimage distortiondeep learningu-netstate-of-the-art
发现论文，激发创造
  • 网格规则化重新审视文档图像去畸变

    本文提出了一种基于约束优化的方法来解决文档图像去畸变的问题，该方法考虑了文本行和文档边界，并引入了一种新的网格正则化策略来提高可读性，并在 DocUNet 基准测试中取得了最好的图像质量。

    Mar, 2022

  • 使用全卷积网络估计位移流进行文档图像去扭曲

    通过全卷积神经网络 (FCN) 估算像素位移来实现文档图像矫正与背景消除，我们提出了一种新的框架来估算像素位移，训练 FCN 通过回归失真文档的位移，我们提出了局部平滑约束（LSC）作为正则化以控制平滑度。实验表明，我们的方法在各种几何失真下可有效去除文档图像畸变，并在局部细节和总体效果上取得了最先进的性能。

    Apr, 2021

  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015

  • 基于深度引导的图像重照的多模式分叉网络

    这篇研究论文介绍了一种基于深度学习的多模态分支网络 (MBNet) 方法，利用深度地图对图像进行照明重新校准，并通过动态膨胀金字塔模块进行解码以有效地使用图像和深度特征。同时，提出了一种新的数据处理流水线以增加训练数据的多样性。在 VIDIT 数据集上的实验表明，该方案在 NTIRE 2021 深度指导一对一照明挑战赛中达到了 SSIM 和 PMS 方面的第一名。

    May, 2021

  • 基于双变形器的堆叠稠密 U-Net 网络用于鲁棒性人脸对齐

    我们提出了一种基于堆叠密集 U-Nets 的人脸关键点检测模型，采用新颖的网络结构和协同损失函数，通过变形卷积实现空间不变性，并在多个真实场景数据集上验证了模型的鲁棒性和在 3D 人脸识别方面的应用。

    Dec, 2018

  • 单目深度估计的双向注意力网络

    本文提出一种双向注意力网络（BANet）用于单目深度估计，通过利用神经机器翻译的概念基础和引入双向注意力模块，该方法能够高效地将局部和全局信息相融合，并在 KITTI 和 DIODE 数据集上显著优于传统的前馈模型以及其他现有的单目深度估计方法。

    Sep, 2020

  • 深度广义展开网络用于图像修复

    该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network（DGUNet）进行图像修复，通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路，实现对复杂和现实世界图像的修复，同时保持了透明度和可解释性。实验结果表明，该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。

    Apr, 2022

  • 分离与细化：用堆叠式注意力引导的 ResUNets 移除盲目单张图像可见水印

    使用多通道注意力与多感知损失的多任务网络，通过两个阶段的过程，提出了一个架构鲁棒性更强且盲目去除可见数字水印的算法，该算法在四个不同数据集下比其他方法表现更突出。

    Dec, 2020

  • 多尺度增强除雾网络与密集特征融合

    本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络，包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容，实验表明该方法在公开数据集和实际雾霾图像上表现优异。

    Apr, 2020

  • ID-Unet: 迭代软硬变形在视图合成中的应用

    该论文提出了一种新的视图合成模型，通过使用迭代的软硬变形模块，在不同的分辨率上对编码器特征进行变形，并在粗略 - 精细的方式下建立了变形，以使生成的图像更加准确和具有连贯性。

    Mar, 2021