Apr, 2023

使用在合成数据上训练的深度学习精确定位眼部图像中角膜反射

PDF
TL;DR本文提出了使用深度学习方法基于模拟数据准确定位眼睛图像中单个角膜反射点的中心，且性能比目前算法更好，并可解决目前深度学习模型在视线估计中常见的数据可用性问题，可用于提高基于角膜反射的眼动追踪的精度和准确性。
发现论文，激发创造
  • 利用不对齐的训练数据和网络增强进行单幅图像反射消除

    本文利用目标网络增强和不对齐数据的新颖用途，解决了单张图像反射去除的困难问题，在含有强烈反射区域的上下文编码模块和对齐不变损失函数的引入下，实现了对真实世界情况的显著改进。

    Apr, 2019

  • 使用深度学习提高虚拟现实中眼动追踪的鲁棒性、准确性和精度

    通过比较不同机器学习方法在眼部特征追踪中的表现，本研究客观评估了这些方法对最终注视估计质量的影响。

    Mar, 2024

  • 深度领域适应：一种用于改进眼动跟踪系统的仿真到真实的神经方法

    使用降维技术衡量目标眼睛图像和合成训练数据之间的重叠，并修剪训练数据集以最大化分布重叠，从而解决模拟和实际数据样本之间的差异，从而实现鲁棒的、改善的性能。

    Mar, 2024

  • 基于位置感知的单张图像反射去除

    本文提出了一种基于位置感知的深度学习单图像去反射新方法，在该网络中，反射检测模块回归一个概率性反射信念图，采用多尺度拉普拉斯特征作为输入，设计了一种递归网络，用于逐步精细调整照射和反射层。

    Dec, 2020

  • 基于深度学习的盲图像几何失真校正

    我们提出了第一个通用框架，用于自动纠正单个输入图像中不同类型的几何畸变。我们的方法采用卷积神经网络（CNN），通过使用大型合成畸变数据集进行训练，以预测扭曲图像和校正图像之间的位移场。模型拟合方法使用 CNN 输出估计畸变参数，实现更准确的预测，并使用高效，高质量的重采样方法生成最终的校正图像。实验结果表明，我们的算法优于传统的校正方法，可实现有趣的应用，如畸变转移，畸变夸张和共同发生的畸变校正。

    Sep, 2019

  • 使用深度卷积神经场从单目图像中学习深度

    本文提出了一种使用卷积神经网络和条件随机场的深度学习模型，针对单目图像的深度估计问题，其中结构化的学习框架学习连续 CRF 的一元和二元势函数；基于全卷积网络和新的超像素池化方法，提出了一种更有效的模型，在室内外场景数据集上表现优于现有的深度估计方法。

    Feb, 2015

  • 结合眼动跟踪、软件视网膜和深度学习的高效自我中心视觉感知

    本文介绍了利用生物学方法实现高效自我中心感知的持续性工作，将哺乳动物视网膜的空间变体成像结构与深度学习方法相结合，在控制眼动眼镜的凝视位置的情况下，我们演示了将图像预处理为因子 3 的 DCNN 输入，减少必需训练的时期并在 26,000 多个物体的图像库上训练和验证系统时可获得超过 98% 的分类准确率。

    Sep, 2018

  • 单张图像反射消除和图像平滑通用深度架构

    本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

    Aug, 2017

  • 用于眼形注册和凝视估计的眼部渲染

    该研究利用计算机图形技术合成眼睛数据，以替代传统方法的耗时数据收集和手动标注，实现更好的性能表现。

    May, 2015

  • 基于深度卷积网络的糖尿病视网膜病变检测：鉴别定位和视觉解释

    我们提出了一种深度学习的方法来解释糖尿病视网膜病变（DR）的检测，该方法通过在卷积神经网络（CNN）的全局平均池化层之后添加回归激活映射（RAM）来实现可视化解释的特征。在使用 RAM 的情况下，该模型可以将视网膜图像的判别区域定位到显示感兴趣的特定区域，进而显示其疾病程度。在对大规模视网膜图像数据集进行实验的过程中，我们表明所提出的 CNN 模型与现有最先进技术相比，可以在 DR 检测上实现高性能，同时提供 RAM 突出显示输入图像的显著区域。

    Mar, 2017