ICCVApr, 2021

无监督图像分解成物体原型分层处理

PDF
TL;DR我们提出了一种用于将图像分解为自动发现的对象模型层的无监督学习框架，其中包含可学习的对象原型、参数化函数、图像形成模型等组成部分，尝试实现对真实图像进行对象分类和实例参数辨识的目标，并在多个标准数据集上验证了其有效性。
发现论文，激发创造
  • 基于对象的单图多层场景分解

    本文提出了一种从单张 RGB 图像中建立分层深度图像的方法，其具有自适应层数和语义编码，特别适用于处理遮挡物体的准确性和重建三维场景。

    Aug, 2019

  • MarioNette: 自监督精灵学习

    该研究提出了采用深度学习的方法来将基于精灵的视频动画分解为可重复的图形元素的表现方式，从而为在后续任务（如编辑或分析）中使用提供了简单且高效的生成模式。

    Apr, 2021

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • 从单张图像中预测多层深度：揭示物体背后的景深信息

    该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

    Jul, 2018

  • 利用多视角图像集进行无监督本征图分解和高光分离

    本文提出了一种基于多视角真实图像训练的无监督方法，将物体外观分解为高光、阴影和漫反射层，使用局部颜色分布的图像表示进行训练，在高亮度分离和内在图像分解两种任务上取得了最新的成果。

    Nov, 2019

  • 图像遮挡感知生成模型的高效推理

    本文提出了基于层叠的图像生成模型，学习每个物体的形状先验，使用 SGVB 进行学习并应用于前景和背景物体推理。

    Nov, 2015

  • 基于对象的图像生成：因子深度、位置和外观

    本研究提出了一种生成图像的模型，其对图像中的物体进行分割并学习了一种分离物体、背景及其深度和位置的结构化潜变量表示，它可以在无监督的情况下进行训练。该模型可以生成完整的物体，处理遮挡，并能够将新图像分解成组成部分，包括深度排序和遮挡部分的分割。

    Apr, 2020

  • 高分辨率三维物体表示的多视角剪影和深度分解

    介绍了一种快速升采样 3D 物体到高分辨率的方法，通过在六个正交深度投影上进行超分辨率网络，可以比直接在 3D 空间中工作的方法更高效地生成高分辨率物体，该方法已被证明在 ShapeNet 数据集上表现良好，并在 3D 重建方面实现了最先进的性能。

    Feb, 2018

  • 解耦 3D 原型网络以进行少样本概念学习

    本研究提出了一种神经网络架构，将 RGB-D 图像分离为物体的形状和样式以及背景场景的地图，并探索了它们在少样本三维物体检测和少样本概念分类的应用。

    Nov, 2020

  • 分解器：图像修复和图像分解的半监督学习

    我们提出了一种名为 Decomposer 的半监督重建模型，它将失真的图像序列分解为它们的基本构建块 - 原始图像和应用的增强，例如阴影、光线和遮挡。

    Nov, 2023