ICCVMay, 2021

探究基于全卷积循环一致性的视频对应关系学习

PDF
TL;DR本文提出了一种全卷积的方法，采用前向和后向帧之间的不同裁剪策略、特征变形等技术，破解绝对位置快捷方式，有效地阻止了前向和后向跟踪之间的快捷方式，并在三个标签传播基准测试中实现很好的性能。
cycle-consistencyconvolutional methodfeature warpingpose trackingvideo object segmentation
发现论文，激发创造
  • 从时间的循环一致性中学习对应关系

    本文提出了一种自监督的方法，通过循环一致性来学习视觉对应关系，应用其学到的特征图表示可以在一系列视觉对应任务中取得较好的性能。

    Mar, 2019

  • 一种递归循环一致性损失用于渐进式面对面合成

    本文提出了一种 “循环一致性损失” 的算法，旨在克服对面对面合成领域输入外观的保留，使生成的图像质量更高，同时提出了一种新的网络架构，以实现 “自由地基于 landmark 合成脸部” 的任务。

    Apr, 2020

  • 通过三维引导循环一致性学习密集对应关系

    本文提出利用跨实例视觉一致性作为监督信息，通过建立一个包含 4 个环（4-cycle）的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现，并在测试阶段显示出优于先前相关任务的最新成果。

    Apr, 2016

  • 学习盲视频时间一致性

    本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。

    Aug, 2018

  • 时间循环一致性学习

    本文提出了一种基于自我监督学习的视频时序对齐表征学习方法，其通过训练神经网络使用时间循环一致损失（TCC）来找到多个视频之间在时间上的对应关系，从而得到每一帧的表征，可用于快速地对视频进行对齐和分类。该方法在少量监督数据和其他自监督方法上都有较好的表现，同时还可用于多种视频应用领域的数据同步和异常检测。

    Apr, 2019

  • 利用简化循环一致性学习素描

    本文提出了一种将对象照片转换为草图的新方法，使用无监督学习和多任务学习框架，利用自我监督实现编码器瓶颈处的捷径一致性来改进现有的草图生成模型，并证明这种方法可以有效地解决草图数据稀缺的问题。

    May, 2018

  • 时空视频对齐

    本文讨论了跨视频提取视觉对应关系的任务，提出了一种使用交叉视频循环一致性来学习空间和时间对应关系的新方法，成功实现了语义相似的贴片在视频中的对应，并学习到对物体和动作状态敏感的表示。

    Jul, 2020

  • 带有跨视频循环一致性的图像表示对比学习

    本文研究了自监督表示学习的核心方法之一 —— 图像内部不变性学习，提出了一种新的基于循环一致性的对比学习方法，探索了跨视频关系，实现了图像表示的有效学习，并在多个下游任务中获得了显著的改进。

    May, 2021

  • 无监督视频插值技术基于循环一致性

    本文提出了一种基于循环一致性和伪监督的无监督技术，用于实现从低帧率视频直接合成高帧率视频。实验证明，该技术可以在不使用任何额外数据的情况下，显著提高预先训练模型在新目标域上的性能，从而大幅增加 PSNR 值。

    Jun, 2019

  • 通过深度视频先验实现视频的无盲区时间一致性

    采用卷积神经网络和 Deep Video Prior 相结合的方法，针对视频中存在的时域不一致问题提出了一个新颖的和普遍的解决方案，并在七项计算机视觉任务中证明了该方法的有效性和性能优于现有技术。

    Oct, 2020