图像增强的投影分布损失
本文提出了一种使用卷积神经网络的学习 no-reference image quality metric 来提高图像处理算子的感知质量的方法,从而优化图像增强算法,成功调整局部色调映射和去雾等多种操作。
Dec, 2017
本文介绍了一种基于生成式对抗网络(GAN)的新型 CT 图像去噪方法,该方法基于 Wasserstein 距离和特征相似性,能够从图像数据噪声分布强到弱的迁移,并在临床 CT 影像中取得了良好效果。
Aug, 2017
本文提出了一个基于 Wasserstein 距离的多标签学习损失函数,基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性,并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。
Jun, 2015
摘自一篇研究论文,介绍了使用卷积神经网络中的特征激活统计数据来计算文本损失的问题,Gram 矩阵损失虽然是常见的这类问题的近似替代方法,但是有一些缺陷,提出了 Sliced Wasserstein Distance 作为一种优秀的替代方案,其具有理论证明、实用性、易于实现和对纹理合成及生成神经网络训练等方面有较好的效果。
Jun, 2020
本研究提出了一种基于信息论的方法来衡量两张图片之间的相似度,能够学习出轻量的 critic 来校准特征空间,从而实现对应空间的图像重建和非对应空间的图像排斥,这种方法能够代替 L1 loss 用在有或者没有 GAN loss 的基于监督的图像合成模型中,从而显著提升了合成图片的感知逼真度。
Nov, 2021
通过采用深度感知相似度测量(DeePSiM)来代替在图像空间中计算距离,我们的研究表明,此类损失函数能够更好地反映图像的感知相似度,从而减少图像平滑问题,并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。
Feb, 2016
本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时,各种 GAN 架构的表现,结果表明,带梯度惩罚的 Wasserstein GAN(WGAN-GP)提供了稳定且收敛的 GAN 训练,Wasserstein 距离是衡量训练进展的有效指标。
May, 2017
本研究引入了一种新的神经网络架构和基于 Wasserstein 距离的损失函数,能够输出任意深度值以及有效地解决 3D 对象检测中物体边界的模糊问题,实现了自动驾驶中 3D 对象检测的最新技术成果。
Jul, 2020
为了训练变分自编码器以生成真实图像,我们提出了一种基于 Watson 视觉模型的损失函数,通过计算颜色图像中的加权距离和掩模来反映人类对图像相似性的知觉,并将其拓展到彩色图像上。在实验中,VAE 利用新的损失函数进行训练可生成更真实、高质量的图像样本,相较于欧几里得距离和结构相似性指数,图像模糊度更低,与基于深度神经网络的损失相比,新方法需要更少的计算资源,并且生成的图像具有更少的伪影。
Jun, 2020
通过实验发现基于深度学习的图像处理方法中的感知相似度可以对大多数经典感知度量方法取得更加优秀的表现。该结论并不仅仅针对于在 ImageNet 数据集上训练的 VGG 特征,而是适用于训练于不同深度架构和不同的学习方式(监督、自监督、无监督)的特征提取器。
Jan, 2018