CVPRMar, 2021

建模结构化输出依赖的通用知觉损失

PDF
TL;DR研究结果表明，深度卷积神经网络 (CNNs) 的结构能够捕捉到多层次变量统计之间的依赖关系，从而消除了以往对于卷积神经网络预训练权重和特定网络结构（通常为 VGG) 的假设，提供了更广泛的应用空间。在实验中，使用扩展的随机感知损失可以更好地完成像素级预测任务，如语义分割，深度估计和实例分割。我们希望，这种简单的、扩展的感知损失可以成为适用于大多数结构化输出学习任务的通用结构化输出损失。
发现论文，激发创造
  • 用于实时风格转换和超分辨率的感知损失

    该研究探讨了一种使用感知损失函数训练卷积神经网络进行图像转换任务的方法，在图像风格迁移和单一图像超分辨率方面获得了较好的实验结果。

    Mar, 2016

  • 使用预测生成网络进行视觉结构的无监督学习

    本文探讨了基于预测未来帧的 CNN-LSTM-deCNN 框架的深度神经网络开发的内部模型，该模型学习了高层次对象特征的丰富内部表示。可以广泛泛化，是一种有效的无监督学习方法。

    Nov, 2015

  • 使用感知相似度度量学习生成图像

    通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

    Nov, 2015

  • 深度特征作为感知度量的不合理有效性

    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

  • SROBB：针对单幅图像超分辨率的目标感知损失

    利用像素级的知觉损失优化高分辨率图像的生成，本研究使用基于深度卷积神经网络的解码器进行优化，通过对不同语义级别的标签惩罚来提高性能并考虑到背景和边界的纹理相似性，得到更逼真的纹理和更锐利的边缘，实验表明此方法的效果优于现有的其他算法。

    Aug, 2019

  • 神经符号结构预测的语义损失函数

    神经网络结构化输出预测问题中的语义损失是通过最小化网络违背依赖关系从而指导网络预测满足底层结构的分布，同时也能与神经符号熵相结合，可以应用于生成对抗网络中，产生符合底层结构的复杂对象的约束性对抗网络类深度生成模型。

    May, 2024

  • 学习到的感知图像增强

    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

  • 图像增强的投影分布损失

    本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

    Dec, 2020

  • 利用感知损失改进图像自编码器嵌入

    本文从编码器嵌入的角度研究了感知损失的三个不同计算机视觉数据集的图像嵌入，发现与基于元素损失训练的自动编码器相比，基于感知损失训练的自动编码器生成的嵌入可以更准确地预测对象定位和分类。

    Jan, 2020

  • 深度表示为什么是良好的感知质量特征？

    该研究分析了预训练卷积神经网络中的中间特征图如何提高感知质量，并提出了两种新的公式来评估深度 CNN 学习到的特征，发现使用这些特征能更好地预测人类质量判断， 进一步展示了利用该方法来选择深度特征用于形成新的损失函数可以提高单图超分辨率问题的图像重构质量。

    Dec, 2018