Jan, 2022

利用现有的深层网络进行字幕和美学引导的图像裁剪

PDF
TL;DR我们提出了一种新颖的优化框架，它可以基于用户描述信息和美学目标对给定图像进行裁剪，通过重新利用预训练的图像标注和美学任务网络直接优化裁剪参数，并通过多种策略实现了优化目标的实现，定量与定性实验证明我们的框架可以产生符合预期的用户描述和审美标准的裁剪图像。
发现论文，激发创造
  • 由美学照片学习组合，实现图像剪裁的端到端神经网络

    该论文提出了一种基于深度学习的图像裁剪方法，利用卷积神经网络和回归网络，仅需一个锚定区域即可直接输出最终结果，从而实现高精度和高效率。

    Jul, 2019

  • 使用深度神经网络和级联回归进行自动图像裁剪以进行视觉美学增强

    本文提出了一种基于级联裁剪回归（CCR）的图像裁剪方法，使用专业摄影师的知识来学习裁剪。利用大规模视觉美学数据集训练了一个深度卷积神经网络（CNN）分类器，再在几个图像裁剪数据集中提取特征，由 CCR 方法预测裁剪边界框，实验结果表明该方法显着优于几种最先进的图像裁剪方法。

    Dec, 2017

  • 通过注意框预测和美学评估实现深度裁剪

    本文提出了一种通过级联注意框回归和美感质量分类的深度学习建模来解决照片剪裁问题的方法。该神经网络使用由两个分支构成的结构，能够预测注意力包围框并分析美感特征，通过共享特征来提高计算效率。实验结果表明，该方法在照片剪裁方面取得了很高的效果，具有竞争性的结果和快速的处理速度（所有步骤运行速度为每秒 5 帧），即便是在有限的照片剪裁训练数据的情况下。

    Oct, 2017

  • 基于组合和显著性感知美学评分地图的图像裁剪

    该研究提出了一种可解释的图像裁剪模型，使用深度学习方法生成美学评分地图，在裁剪级别的美学评价中考虑图像的组合和显著性，从而实现高质量的美学图像裁剪。

    Nov, 2019

  • 提高所有尺度全景分割

    本研究提出使用基于作物的训练策略进行图像分割，解决了 GPU 内存消耗问题，同时通过引入新的注重剪裁平衡的边界框回归损失和数据采样增强策略以改善多尺度下的泛化，将该方法应用于 MVD、Indian Driving 和 Cityscapes 数 据集中，取得了 + 4.5％ PQ 和 + 5.2％ mAP 的最新成果。

    Dec, 2020

  • 可靠高效的图像裁剪：一种基于网格锚点的方法

    本文提出了基于 grid anchor 的图像裁剪公式，并设计了有效的轻量级神经网络，同时考虑 ROI 和 ROD，从而在不同场景下运行并稳定输出具有高视觉感受性的图像截图。

    Apr, 2019

  • 面向美学的图像剪裁增强学习（A2-RL）

    本研究提出了一个弱监督美学感知强化学习 (A2-RL) 框架，将美学图像裁剪作为一个序列决策过程，并开发了一种美学感知奖励函数，使用 actor-critic 结构以端到端方式训练智能体，实验结果表明，我们的方法在使用较少的候选窗口和时间的情况下实现了状态 - of-the-art 的性能。

    Sep, 2017

  • 基于网格锚点的图像裁剪：新的基准和高效模型

    本研究提出了一种基于网格锚定的图像裁剪模型，通过考虑图像裁剪的特殊性质和要求，如本地冗余、内容保留、宽高比，构建了一个网格锚定裁剪基准，并定义了更可靠的评估指标。同时，该模型模型还采用了多尺度信息，可以为不同场景的图像稳健地输出视觉上令人愉悦的裁剪。

    Sep, 2019

  • 匹配数据增强分布增强预训练网络性能

    本文提出了一种简单的方法来解决训练和测试集之间的分布差异，通过在测试图像上使用多个随机裁剪的结果，并将其进行平均来提高预训练模型的性能。使用 softmax 平均可在不需要重新训练的情况下获得各种预训练网络的最佳性能。

    Jan, 2022

  • 比较不同人工智能范式、增强和裁剪策略学习的生物数据表示

    该研究提出了一个简单的卷积神经网络架构，并在相同条件下使用不同的数据增强和裁剪策略训练了 16 种不同的深度学习模型，以比较其在药物识别、控制组分类和细胞聚类这三个下游任务中所学到的特征提取的性能和效率，其结果表明，多切割和随机增强通常能提高性能，而自我监督模型的性能也非常高，是训练速度最快的模型之一，但需要最大的内存和计算资源。

    Mar, 2022