CVPRApr, 2021

时尚图片的 Instagram 滤镜去除

PDF
TL;DR本文介绍了一种名为 IFRNet 的神经网络模型，主要用于社交媒体图片分析应用中的图像滤镜去除。模型实现过程中，将图像滤镜的影响视为样式变换问题，采用自适应归一化外部样式信息的方法，能够在不同编码器层次上直接去除过滤的视觉效果。实验结果展示了 IFRNet 在定量和定性比较中优于所有对比方法，具有很强的滤镜去除能力。此外，本文还对比了模型的滤镜分类性能和未经过滤的图像主导颜色进行了分析。
发现论文，激发创造
  • 基于块状对比样式学习的 Instagram 滤镜去除

    该研究提供了一种基于对比 Instagram 滤镜去除网络（CIFR）的方法，旨在恢复社交媒体图像的原始版本，以提高卷积神经网络在本地化和分割任务中的推断性能。实验结果表明，CIFR 提供的策略比以往的研究取得了更好的定量和定性结果。

    Apr, 2022

  • 利用特征去特定风格化识别 Instagram 滤镜照片

    通过对流行的预训练模型在 Instagram 过滤器下的鲁棒性的分析结果，此文研究了简单的保持结构的过滤器对卷积特征空间的影响，并引入了一种轻量级去风格化模块优化卷积神经网络的表现。

    Dec, 2019

  • CAIR: 快速轻量级多尺度颜色注意力网络，用于 Instagram 滤镜去除

    提出了一个准确、快速、轻量级的网络 CAIR 用于 Instagram 滤镜去除，采用非线性激活函数自由网络（NAFNet）和加入颜色注意力模块，达到 11× 快速和 2.4× 轻量级，同时在 IFFI 数据集上超过了 3.69 dB PSNR，并成功去除了 Instagram 滤镜和恢复了色彩信息。

    Aug, 2022

  • 2022 年 AIM 挑战赛：Instagram 滤镜去除方法与结果

    本文介绍了 AIM 2022 挑战赛关于 Instagram 滤镜去除的方法和结果，对应用深度学习策略、去除滤镜产生负面影响的问题进行了研究和解决，基于 PSNR 指标对 9 个团队提出的方案进行了比较分析，得出定性结果。

    Oct, 2022

  • FaceFilterSense：一种抵抗滤镜的面部识别和面部属性分析框架

    社交媒体上流行的自拍滤镜对面部生物识别系统和图像识别系统的功能产生了巨大影响，本研究旨在综合评估最新滤镜对现有人脸识别系统性能的影响，并提出了一种基于滤镜图像的用户识别模型。

    Apr, 2024

  • 照片之间的滤镜风格转移

    本论文提出了 Filter Style Transfer (FST) 的新概念，为解决现有传统方法在不同平台上应用的自定义滤镜效果方面的问题，提出了能够在移动设备上以不到 2ms 的速度传输 FHD 图像的 FST 技术。

    Jul, 2020

  • 数据过滤网络

    通过构建数据过滤网络，该论文研究了大训练集上数据筛选的问题，并基于该网络构建了新的图像 - 文本数据集，为状态 - of-the-art 模型训练提供了高性能数据集，同时还释放了可从公开数据从头训练高性能数据过滤网络的新的 200 亿样本数据集，以促进数据集设计的进一步研究。

    Sep, 2023

  • IFRNet：用于高效帧插值的中间特征精化网络

    本文提出了一种基于编码器 - 解码器网络的视频帧插值方法 IFRNet，该方法通过提取输入数据的金字塔特征和应用中间流场实现帧合成，同时引入了任务导向的光流蒸馏损失和几何一致性正则项进行优化，实验表明该方法具有出色的性能和快速的推理速度。

    May, 2022

  • 从风格化肖像中恢复保持身份特征的人脸

    本文提出了一种 IFRP 方法，结合了 SRN 和 DN 网络，通过 STN 自动矫正艺术肖像图像的定位问题，并使用 FaceNet 网络检测提取人脸特征，从而实现从不对齐的肖像中恢复出保留主体身份的高质量真实面部图像。

    Apr, 2019

  • 兼容和多样化的时尚图像修补

    通过时尚图像修复明确地建模视觉兼容性，并引入 FiNet 来实现兼容性和多样性修复，结果表明多样性生成的结果与现有时尚服装具有良好的视觉兼容性。

    Feb, 2019