Jul, 2023

TopicFM +：提升主题辅助特征匹配的准确性和效率

PDF
TL;DR本研究提出了一种基于主题建模策略来捕获图像高层次上下文信息的新型图像匹配方法，并使用池化和合并注意力模块来提高特征匹配的效率，能够在节约计算成本的同时，在具有挑战性的情况下，与最先进的方法相比保持更高的图像匹配精度。
image matchingcomputational efficiencytopic-modelingsemantic regionsattention module
发现论文，激发创造
  • TopicFM：鲁棒且可解释的主题辅助特征匹配

    通过主题建模方法对高级语境进行编码以提高图片匹配的鲁棒性，并在室内和室外数据集上进行了广泛实验，证明该方法在具有挑战性的情况下优于其他最先进的方法。

    Jul, 2022

  • LGFCTR: 图像匹配的局部和全局特征卷积变换器

    通过引入卷积变换器，本研究提出了一种捕捉图像匹配的局部环境和全局结构的新型图像匹配方法，该方法在各种基准测试中取得了卓越的性能。

    Nov, 2023

  • 多图像基于一致特征挖掘的语义匹配

    本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系，并且利用稀疏可靠特征匹配而非优化所有成对对应关系，同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异，同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。

    Nov, 2017

  • 多模态张量融合和重新排序的图像和文本匹配

    我们提出了一个新的框架，使用基于排名的张量融合来显式学习准确的图像文本相似度函数，通过通用的跨模态重新排序方案实现了模型效果和模型复杂性之间的平衡，从而达到了优秀的匹配性能。

    Aug, 2019

  • TransMVSNet：基于 Transformer 的全局上下文感知多视角立体网络

    本研究提出了 TransMVSNet，它是基于多视图立体视觉（MVS）中的特征匹配的探索而来的，利用 Feature Matching Transformer 实现自内、交叉注意力聚合图像内外的长程上下文信息来完成 MVS 任务，并借助 Adaptive Receptive Field 模块和 Pair-wise feature correlation 量化特征的相似性和优化任务效果。实验结果表明，该方法在多个基准数据集上取得了最优的性能。

    Nov, 2021

  • FeatMatch：基于特征的半监督学习增强

    本文提出了一种创新的特征提取和扩增方法，利用聚类提取的内部和跨类别原型代表信息，生成各式各样的复杂变换，结合传统图像扩增用于一致性正则化损失，实验验证结果表明在小尺寸数据集上与当前先进技术相当，且可以扩展到更大的数据集，例如 CIFAR-100 和 mini-Imagenet 上取得重大进展，并在 DomainNet 上实现更好的鲁棒性。

    Jul, 2020

  • 基于可训练特征匹配注意力网络的单张图像超分辨率

    通过集成可学习的特征匹配和非局部特征学习方法，在超分辨率图像恢复中改善了卷积神经网络的表达能力，进一步提高了性能。

    May, 2024

  • 对抗表示学习用于文本到图像匹配

    本文提出了一种基于 TIMAM 和 BERT 的文本图像匹配模型，该模型可以学习到模态不变的特征表示，在四个公开数据集上取得了最优的交叉模态匹配性能，排名 1 的准确率提高了 2％到 5％。

    Aug, 2019

  • 使用文本驱动的软掩膜进行多模态表征学习

    提出了一个自我监督学习框架中的视觉语言表示学习方法，引入了一种新的操作、损失和数据增强策略，其中将图像中最相关于对应的标题中某个单词的区域进行软掩蔽以生成多样的图像特征，然后通过多模态编码器计算出每个单词的条件视觉注意力来确定与其相关的区域，提出了一个用于图像文本对比学习（ITC）目标的焦点损失，并进行多模态数据增强以进行自我监督学习。

    Apr, 2023

  • 提高图像抠图的细节精度

    本文提出了一种深度图像抠图模型，其中利用低阶但高清晰度的纹理特征提供微观细节的恢复，并设计了一种独立的不会下采样的 “Textural Compensate Path” 来提取精细的细节，较之前的方法在 “Composition-1k” 数据集上有较好的表现。

    Jan, 2021