CVPRDec, 2020

使用局部隐式图像函数学习连续的图像表示

PDF
TL;DR本文提出了一种名为 LIIF 的局部隐式图像函数，通过输入图像坐标和周围的 2D 深度特征，预测给定坐标的 RGB 值，训练得到的连续表示可以呈现在任意分辨率下，甚至可以外推到高达 x30 的分辨率，同时 LIIF 还在 2D 中构建了离散和连续表示之间的桥梁。
image representationimplicit neural representationcontinuous representation2d deep featuressuper-resolution
发现论文，激发创造
  • 自适应局部隐式图像函数用于任意比例超分辨率

    本研究提出了一种新的自适应局部图像函数（A-LIIF）模型，旨在通过采用编码器和扩展网络，建模多个局部隐式图像函数的加权组合，从而缓解局部隐式图像函数（LIIF）模型在边缘周围出现结构失真和环状伪影等问题，实现图像超分辨率的高精度重建。

    Aug, 2022

  • 动态隐式图像函数用于高效任意尺度图像表示

    DIIF 是一种动态隐式图像函数，其使用坐标分组和切片策略从坐标切片到像素值切片进行解码，以显着降低计算成本，并且可以与超分辨率方法集成以实现令人满意的性能。

    Jun, 2023

  • 用于计算优化连续图像表示的潜在调制函数

    通过在潜在空间生成潜在调制以快速适应任何输入特征向量并以任意分辨率进行渲染，提出了一种新颖的潜在调制函数（LMF），该函数将高分辨率 - 高维度解码过程解耦为低分辨率 - 高维度空间中的共享潜在解码和低维度空间中的独立渲染，从而实现了连续图像表示的首个计算最优范式。

    Apr, 2024

  • SSIF：学习空间光谱超分辨率的连续图像表示

    该研究论文提出了一种空间 - 光谱隐式函数 (SSIF)，它能够以空间和光谱领域的连续像素坐标和连续波长的方式表示图像，通过实证验证了 SSIF 在两个具有挑战性的空间 - 光谱超分辨率基准上的有效性。研究还表明，即使允许基线模型在每个光谱分辨率上进行单独训练，SSIF 仍然始终优于现有技术的基线模型，并且 SSIF 能够很好地适应不同的未见空间和光谱分辨率，并生成提高下游任务性能（如土地利用分类）1.7％-7％的高分辨率图像。

    Sep, 2023

  • SAIR：学习语义感知的隐式表示

    我们提出了一种语义感知的隐式表示方法（SAIR），其将每个像素的隐式表示分别依赖于其外观和语义信息（例如，像素属于哪个对象）。我们的实验证明，该方法在图像修复任务中超越了现有方法的显著优势。

    Oct, 2023

  • 学习隐式表面光场

    本研究提出了一种隐式表示法，以捕捉物体表面在光场中的视觉外观，并证明了该方法能够在使用单个真实 RGB 图像和对应的三维形状信息时预测未见过的物体的视觉外观。该方法建立了一个连续的表面光场表示，独立于几何形状，并且在特定照明条件下可嵌入到可变自编码器中进行生成新的外观的任务中。

    Mar, 2020

  • 综合位置编码增强图像超分辨率中的多尺度隐式学习

    本文通过将频率信息聚合在像素区域中来扩展传统的位置编码，提出了集成位置编码（IPE），并将其应用于最先进的任意尺度图像超分辨率方法之一：局部隐式图像函数（LIIF），提出了 IPE-LIIF。我们通过定量和定性评估展示了 IPE-LIIF 的有效性，进一步证明了 IPE 对更大的图像尺度和多个隐式方法的泛化能力。

    Dec, 2021

  • 局部深度隐式函数用于三维形状

    本文介绍了一种将三维表面图像表示成局部深度隐式函数并进行不同模型之间的泛化、空间分解等相关工作，并在实验中证明了该算法在表面重建和深度图像完成方面的效果优于现有算法。

    Dec, 2019

  • 引导深度超分辨率的联合隐式图像函数

    本文提出了一种将指导性先验信息引入深度超分辨率模型的方法，使用联合隐式函数 (JIIF) 来表示目标图像领域，并使用图注意力机制在联合深度隐式函数中学习插值权重，该方法在三个公共基准测试中显着优于现有方法。

    Jul, 2021

  • 学习图像变形的局部隐式傅里叶表示

    本文提出了一种基于本地纹理估计器和隐式神经表示的图像变形方法，该方法通过局部纹理和坐标变换的局部可变雅各比矩阵来预测变形图像的傅里叶响应，同时也成功实现了对不同变换的泛化处理。

    Jul, 2022