AAAIFeb, 2023

寻找稀有之美：对比组合特征聚类用于非平凡裁剪框回归

PDF
TL;DR提出了一种基于对罕见样本进行聚类和区分的对比度组合聚类（C2C）算法，以实现对多个图像的常见构图模式更好的总结，从而使模型更具有差异化和更好的推广能力，此算法能够有效地解决自动图像裁剪中由于注释偏差而导致的普通重组结果。
automatic image croppingcomposition patternscontrastive composition clusteringrare samplesgeneralizability
发现论文，激发创造
  • 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

  • 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

  • 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

  • 构建更好的对比视图，用于孪生神经网络表示学习

    提出了 ContrastiveCrop，一种用于 Siamese 表示学习的更好对比对的生成方法，该方法采用全无监督方式提出了基于语义的目标定位策略并进一步设计了中心抑制采样来扩大裁剪区域的方差，成功提高了自我监督学习中 SimCLR，MoCo，BYOL，SimSiam 等方法的分类准确率，同时在基于 ImageNet-1K 预训练的下游检测和分割任务上取得了优异的结果。

    Feb, 2022

  • 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

  • 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

  • RegionCL：简单区域交换是否有助于对比学习？

    本文针对自我监督学习方法中图片裁剪技术的局限提出了一种叫做区域对比学习的新预处理方法，其通过最大程度利用所裁剪出的画面和其余部分来提高视觉表示的表现，并在 ImageNet，MS COCO 和 Cityscapes 等数据集上实现了最先进性能的效果。

    Nov, 2021

  • 自动图像剪裁算法的定量分析：数据集和比较研究

    本研究通过对传统方法和基于排名的图像剪裁器的研究，讨论了基于学习排名算法处理自动图像剪裁问题。此外，作者还提出了一个新数据集，以评估各种基线算法的表现。实验结果为设计更好的自动剪裁算法提供了有价值的见解。

    Jan, 2017

  • 无监督图像翻译的多作物对比学习

    本文提出了一种新颖的基于对比学习的无配对图像翻译框架 MCCUT，通过多视图裁剪生成多样化的负样本，利用领域一致性误差函数将深度特征空间中的嵌入约束在一起，并采用 DCSE 模块来设计生成器以获得更好的结果。

    Apr, 2023

  • CO2: 无监督视觉表征学习的一致性对比

    该研究提出了一种新的无监督对比学习框架 CO2，它利用了模仿半监督学习中的一致性正则化来处理标签分配策略的瓶颈问题，能够提高图像分类、目标检测和语义分割等任务的视觉表示能力。

    Oct, 2020