DejaVu: 有条件的再生性学习以提升密集预测
该研究提出了一种称为 DenseReg 的系统,使用手动标记的面部特征点作为训练网络的基础,实现了从图像到模板之间的密集对应关系,其在面部分析任务及身体对应分析中取得了较好的结果。
Dec, 2016
本文提出了一种 ReDiffuser 图片修复模型,该模型使用自动生成的描述来完成图片编辑,利用再生学习和交叉注意力向导实现图片对形状的一致性保留,并引入一种协作更新策略,提高图片修复的质量和一致性。实验结果表明,该方法在真实和合成图片编辑方面优于现有方法。
May, 2023
本文提出了一种利用扩张卷积密集组合,通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明,该方法在多个公共数据集上都优于现有的最先进方法。
Feb, 2020
提出了一种基于深度神经网络的医学图像分割方法,通过引入 ' 拐杖 ' 网络连接以获得精细的密集预测,并采用自适应深度监督训练策略以提取鲁棒特征。通过在网络解码器的每个上采样阶段引入 ' 拐杖 ' 连接,增强了目标定位和分割性能,并通过匹配网络的有效感受野来指导辅助监督位置的选择,从而实现了对特定输入特征的注意。在 4 个不同模态的多样数据集上验证了该方法的有效性。
Feb, 2024
本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法,通过设计一个深度编码器 - 解码器网络来学习图像外观与图像配准参数之间的像素 / 体素映射,特别针对 LDDMM,通过预测 LDDMM 动量参数化,使计算时间大幅减少。同时,我们创建了贝叶斯概率版本的网络,允许在测试时间使用 dropout 的蒙特卡罗采样来评估变形场的不确定性。
Jul, 2016
本文提出了一个基于深度生成模型的图像生成网络,结合卷积神经网络的归纳偏置和自回归的序列建模,通过多重领域特征的变量规范,设计了分布估计的 Gumbel 采样策略来提高图像的生成质量并克服于训练和推理过程中所产生的偏差和误差,取得了当前同类算法中最优秀的生成表现。
Jul, 2022
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
Jun, 2019
本文探讨了基于预测未来帧的 CNN-LSTM-deCNN 框架的深度神经网络开发的内部模型,该模型学习了高层次对象特征的丰富内部表示。可以广泛泛化,是一种有效的无监督学习方法。
Nov, 2015
本文提出了基于生成模型的感知图像超分辨率方法,结合变分自编码器实现了联合降噪和超分辨率,使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率,并通过实验验证了该方法的有效性。
Apr, 2020
本文描述了 Diffusion-Decoding (VAE) 模型,该模型使用经过学习的扩散先验来提高生成质量和对比自监督学习来提高表示质量,可以在仅有 100 个标记示例的情况下适应标记或约束条件的新生成任务,并在条件生成和图像操作中取得了优异的性能和速度。
Jun, 2021