PaintSeg: 通过绘画实现无需训练的分割
通过利用分割蒙版数据集和在蒙版内修复的修复模型,我们可以实现自动逆向修复过程,将对象添加到图像中,在没有用户提供的输入蒙版的情况下,提供了一种无缝地根据文本指令添加对象的方法。
Apr, 2024
本文提出了一种新的对抗训练框架来完成带有分割混淆对抗训练(SCAT)和对比学习的图像修复任务。通过将 SCAT 与标准全局对抗训练相结合,该框架同时具有以下三个优点:修复图像的全局一致性、局部细节特征以及处理任意形状的缺陷。此外,我们还提出了纹理和语义对比学习的损失函数来稳定并改进我们的修复模型的训练,更好地指导修复图像从受损的图像数据点移到真实图像数据点。在两个基准数据集上的广泛实验表明,我们的模型在定性和定量上都具有良好的效果和优越性。
Mar, 2023
该研究从信息论的角度研究了图像分割,并提出了一种新的敌对方法,通过将图像划分成最大独立集合来执行无监督分割,实验结果表明其在无监督分割质量方面达到了新的最优状态,并且比现有的方法更快、更通用。
Dec, 2020
本文研究了图片补全技术中的 Markpainting 技术如何对水印进行去除和添加,并且可以被应用于多种不同的模型和数据集中,可以用作一种图像操作预警系统。
Jun, 2021
通过引入语义分割信息,本文提出了一种两步法的图像修复模型,将图像修复过程分为分割预测(SP-Net)和分割导向(SG-Net)两个步骤,实验证明,该方法优于现有方法,提供了多模态图像修复的可能性。
May, 2018
本文介绍了使用一种新型的卷积神经网络(MPI)完成语义场景理解中的语义前景修复任务的方法,该方法不需要手动标注背景,并且其比之前最先进的两阶段方法提高了 3% 的 IoU,并在 Cityscapes 测试中表现得更有效率。
Sep, 2019
我们介绍了一种新颖的图像到绘画的方法,它能够以人类般的质量和风格变化创造大规模、高保真度的绘画作品。通过引入基于分割的绘画过程和受人类绘画策略启发的动态注意力地图方法,我们可以处理大尺寸的图像并对绘画过程进行控制,从而在不同图像区域上进行刷画优化,捕捉到大尺度的结构和细节,同时也允许对细节进行风格控制。我们优化的批处理和基于补丁的损失框架实现了对大画布的高效处理,确保我们的绘画作品在审美上具有吸引力,并在功能上优于以前的方法,经过了严格的评估。可在以下网址找到代码:this https URL
Nov, 2023
本文旨在通过采用对比优化目标中的预定中级先验,引入了一个两步框架来学习像素嵌入,从而解决了计算机视觉中的无监督语义表示学习问题,并证明此方法优于现有方法。
Feb, 2021
本文提出了一种优化遮罩的方法,通过图像修复来提高对象去除的质量。通过使用分割提取的对象遮罩来训练修复网络,并在推断步骤中使用这些遮罩,解决了训练和推断图像之间的域差异问题。此外,通过连接分割网络和修复网络进行端到端训练,以改进修复性能,并通过遮罩扩展损失来实现大型和小型遮罩之间的权衡,进一步增强了端到端训练的效果。实验结果证明了我们的方法在通过图像修复实现更好的对象去除方面的有效性。
Mar, 2024
通过在受限的可见类别上学习有标注遮罩,从而消除繁重注释负担,并在新颖的 unseen 类别上分割对象,部分监督实例分割是一个任务。本文提出了 ContrastMask,它在统一的像素级对比学习框架下,同时在可见和未知类别上学习掩模分割模型,提高了前景和背景的特征辨别率,促进了课程无关掩模分割模型的学习,在 COCO 数据集上的详尽实验证明了我们方法的优越性,胜过了之前的最新技术。
Mar, 2022