深度 Fourier 上采样
本文提出了一种新的谱规范化项,以解决当前生成模型中存在的谱分布偏差问题,该方法可以提高模型的稳定性和输出质量,并可以检测出深度伪造的图片等生成数据。
Mar, 2020
通过在频域进行学习和频道选择,我们提出了减少冗余和显著信息以提高图像分类精度的学习方法,得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。
Feb, 2020
本文提出了一个神经网络框架,该框架能够联合学习时空下采样和上采样,并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明,该方法显著提高了时空重构质量,并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。
Mar, 2022
本文介绍了一种基于频域卷积定理的神经网络用于图像超分辨率,该网络采用 Hartley 变换作为替代傅里叶变换消除复数,具有很高的计算效率,并能适用于在计算机视觉和图像处理等其他领域中通常使用频域表示的问题。实验证明,该网络比文献中其他替代品的速度快 1 到 2 个数量级,性能损失微不足道。
Dec, 2017
本文介绍了一种基于 Fourier 神经算子的下采样方法,其能够实现在低分辨率的模拟数据上零样本升采样到任意分辨率,并且在这方面表现优于先前的模型。作者将其在气候和 Navier-Stokes 方程解数据上进行了评估,结果显示其在单分辨率下采样和零样本上采样方面均优于现有的模型。
May, 2023
本论文描述了一种简单的无监督领域适应方法,通过交换低频谱来减少源和目标分布之间的差异,该方法在语义分割中实现了最新的性能,并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。
Apr, 2020
在计算机视觉中,为了有效地执行图像分割等任务,模型必须能够适应图像分辨率的变化,这被称为尺度等变性。最近的研究通过权重共享和内核调整等方式,取得了在发展尺度等变性卷积神经网络方面的进展。然而,在实践中,这些网络并不是真正的尺度等变性的。为了解决这个问题,我们直接在离散域中考虑了抗锯齿,并提出了一种基于傅里叶层的新型架构,以实现真正的尺度等变深度网络,即绝对零等变误差。在先前的研究基础上,我们对 MNIST-scale 和 STL-10 数据集上测试了这个模型。我们提出的模型在保持零等变误差的同时,实现了有竞争力的分类性能。
Nov, 2023
通过使用卷积上采样操作并增加内核大小而保持编码器不变,我们首次探索了上采样过程中上下文的重要性,并发现增大内核大小可以提高像素预测任务的稳定性,尤其在图像修复或图像分割任务中。
Nov, 2023
本文提出了一种基于傅里叶的领域泛化新视角,通过开发一种称为幅度混合的新型傅里叶数据增强策略,来强制模型捕获高级语义信息,同时在原始图像与增强图像之间引入了一种双重一致性损失方法,取得了领域泛化的最新成果并显著提高了性能。
May, 2021
本研究旨在通过应用离散傅立叶变换和频谱表示提供有效的计算卷积方法,并且展示频谱域应用于卷积神经网络设计的创新,如频谱池化、随机修改分辨率的新形式随机正则化、卷积过滤器的复系数频谱参数化等。在不使用任何 dropout 或 max-pooling 的情况下,这些方法在分类和逼近任务中取得了有竞争力的结果,并且观察到这些方法可以显著加快训练的收敛速度。
Jun, 2015