ICCVAug, 2021

SemIE: 语义感知图像外推

PDF
TL;DR本文提出了一种语义感知的图像外推新范式，使图像的新对象实例可以被添加到被扩展的区域，该方法在 Cityscapes 和 ADE20K 卧室数据集上表现优于已有的基线模型，具有更高的 FID 准确度和对象共现统计学的相似性。
image extrapolationobject instancessemantic segmentationpanoptic segmentationfid
发现论文，激发创造
  • 超越图像边界：学习特征外推用于无边界图像组合

    通过联合框架（UNIC）实现对相机视图和图像组合的无限推荐，以提高图像组合和美学质量。

    Sep, 2023

  • 基于贝叶斯的开放世界语义实例分割

    本文提出了一种基于贝叶斯框架和模拟退火优化的图像划分采样算法，基于已知物体类别的目标检测器输出，实现了在开放集条件下分割所有已知和未知目标类别的实例分割方法，该方法在已知类别和未知类别上均有较好表现并且与监督式方法相比具有竞争性。

    Jun, 2018

  • 基于像素级语义的图像自动上色

    该论文提出了使用像素级对象语义来引导图像上色，并使用具有两个分支的分层神经网络，以便学习对象及其颜色，以提高图像上色的真实感和质量，并引入联合双边上采样层以解决边缘颜色渗漏问题。

    Aug, 2018

  • 全景分割端到端网络

    该论文提出了一种新型的端对端网络，能够高效地预测实例和物体分割，并引入了一种新的空间排名模块以处理预测实例之间的遮挡问题。在 COCO Panoptic 基准测试上取得了可喜的成果。

    Mar, 2019

  • 动态实例化网络的像素级实例分割

    该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

    Apr, 2017

  • 基于区域的语义分割与端到端训练

    本文提出一种新的语义分割方法，该方法基于区域分类方法和全卷积方法相结合，能够实现端到端的培训。与目前现有的算法相比，该方法在语义分类的平均准确性方面提高了成绩，在 SIFT Flow 和 PASCAL Context 上达到了 64.0% 和 49.9% 的成绩，并且在物体边界方面特别准确。

    Jul, 2016

  • 一种用于在线增量学习语义分割的 EM 框架

    本文提出了一种基于期望最大化 (EM) 框架的增量学习策略，用于快速适应深度分割模型的新类别，具有更好的效果和稳定性，并应用于 PASCAL VOC 2012 和 ADE20K 数据集上进行验证。

    Aug, 2021

  • FM-Fusion: 基于视觉 - 语言基础模型的实例感知语义映射增强

    基于视觉 - 语言基础模型，本研究提出了一种概率标签融合方法，用于从开放集标签测量中预测闭合集语义类别，以增强基于实例感知的语义映射；通过整合各模块构建一个统一的语义映射系统，并通过 ScanNet 和 SceneNN 数据集评估了方法的零样本性能，取得了显著优于传统方法的 40.3 均值平均精度（mAP）的结果。

    Feb, 2024

  • 基于全景视角的图像合成

    提出一种基于全景图的图像合成网络，通过有效地利用全景图在卷积和上采样层来生成高保真的图像，解决了在复杂环境下多个实例互相遮挡的问题，并且在均值 IoU 和 DetAP 等指标上优于之前的最新技术方法。

    Apr, 2020

  • 利用显著性从图像级标签进行目标分割

    使用显著性模型和图像级别注释相结合实现像素级标注的弱监督训练，从而实现像素级对象的语义标注任务，其中 80％的全监督性能已经恢复。

    Jan, 2017