该论文提出了一种使用多层感知机的轻量级、高效率处理全局和局部图像美化效果的算法 - 条件流式修饰网络。通过分析全局图像美化运算可通过一个多层感知器数学式子来描述,并以此为基础搭建了一个小型的神经网络框架,可以在较小的参数量下实现对图像的优化改进。
Apr, 2021
本研究提出了一种基于深度学习的自动修饰系统,该系统使用强化学习方法学习如何根据用户喜好风格对输入图片进行不同的修饰操作,从而避免了获取成对的训练数据。与其他深度学习系统不同的是,该系统提供了可理解的修饰结果,而不仅仅是黑盒子结果,定量比较和用户研究证明该技术的修饰结果与提供的照片集相一致。
Sep, 2017
利用卷积神经网络和 Retinex 理论,基于低光照条件下图像对比度很低的事实,提出了一个低光照图像增强模型。通过实验,证明该模型在质量和量化方面比其他同类模型有优势。
Nov, 2017
本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法,通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取,该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。
Oct, 2021
该论文提出了一种基于压缩感知和神经网络的图像自动审核方法,通过使用矩阵池化神经网络来减少运算成本,同时还介绍了基于群组检测和压缩感知的高效自动异常检测技术,为图像社区的自动审核提供了一个性能更好的解决方案。
May, 2023
通过深度学习和交互式框架,我们提出了 Controllable Feature Space Network (CFSNet),可以控制图像的重构结果,实现图像的去噪、保留细节和提高感知质量的平衡
Apr, 2019
本文提出了使用卷积神经网络的监督深度学习算法来检测人工合成图像,并在 ND-IIITD 数据集上获得了 99.65%的准确度,对于区分真实图像和使用生成对抗网络(GANs)生成的图像的准确度达到了 99.83%。
Jan, 2019
本文提出一种新的轻量级卷积神经网络(5k 参数),用于处理各种颜色、曝光、对比度、噪点和伪影等问题,实现非均匀照明图像增强,并通过半监督的修复方法,结合新数据集进行训练。该模型可在实时环境下(50 fps)快速增强图片,有效处理非均匀照明图像。
May, 2020
本文提出了一种通过使用面部覆盖蒙版的条件生成式对抗网络生成更具多样性、质量、可控性的逼真面部,该方法可用于本地面部编辑、面部合成和交换,同时提供了数据增强的选项以加强面部分析的性能。
May, 2019
基于物理建模,我们提出了一种可控和渐进的面部修饰方法,采用高斯函数的叠加来近似皮肤表面散射在分解的黑色素和血红蛋白颜色空间中,实现对面部瑕疵的逼真和渐进的修饰,实验结果基于实际临床数据表明该方法能逼真模拟瑕疵的渐进恢复过程。
Jun, 2024