学习上采样通过学习采样
本论文提出了一种新的、即插即用的、面向任务不可知的上采样算子 FADE,它在密集预测中具有高效性和良好的泛化性能,能够同时适用于像素级别的语义分割和图像蒙版等领域,且比近期动态上采样算子在不同任务上表现更好。
Jul, 2022
通过将特征图抽象成由具有相同语义含义的点组成的非重叠语义簇,我们引入了点隶属的概念。在核心基于动态上采样的框架下,我们证明了一个上采样点可以利用它的低分辨率解码器邻居和高分辨率编码器点来推理隶属,条件是它们之间的相似性。因此,我们提出了一种生成相似性感知上采样核的通用公式,并证明这样的核不仅鼓励了语义平滑,而且也鼓励了边界锐度。这个公式构成了一种新颖、轻量级和通用的上采样解决方案,即相似性感知点隶属(SAPA)。
Jul, 2023
本文提出了一种基于学习的框架,通过自适应地分析输入点云的局部几何结构,设计出轻量级神经网络来统一、排序插值权重以及高阶细化,从而生成具有密集点云的物体 / 场景,并处理非均匀分布和噪声数据,该方法于现实世界中的各种上采样因子都可运作,并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
本文提出了一种无监督的光流估计方法,通过引入自适应金字塔采样,提出了一个内容感知池化模块和一个自适应光流上采样模块,能够有效地避免交叉边界插值和交叉区域池化,从而实现了最佳的光流估计性能。
Apr, 2021
本文提出了一种基于深度神经网络的数据驱动算法,使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样,该算法不需要硬编码规则,并能够学习属于不同对象类别的点云的潜在特征,实验结果表明,相比基于优化的上采样方法,该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
提出无监督学习方法,通过改善金字塔网络的上采样和学习来估计光流,具有自引导上采样模块和金字塔蒸馏损失,并将两个组件相结合,该方法在多个基准测试中均取得了最佳性能。
Dec, 2020
我们提出了一种大采样场的动态过滤策略,用于 ConvNets 中,该方法使用位置特定的卷积核,能够从不仅相同位置,而且多个采样的邻域中进行学习,同时引入残差学习和注意力机制,以融合来自不同样本的特征。我们在对象检测,语义分割和流估计等任务中展示了 LS-DFN 的优点,它与 VOC 基准上的强基线相比,在目标检测和语义分割任务中具有更强的识别能力,在 FlyingChairs 数据集上的流估计则具有更锐利的响应。
Mar, 2018
本文提出了一个神经网络框架,该框架能够联合学习时空下采样和上采样,并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明,该方法显著提高了时空重构质量,并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。
Mar, 2022
本文提出一种基于学习性下采样模块的图像分割算法来解决低成本语义分割,优化采样密度分布并通过规则项鼓励采样位置聚焦于对象边界,实验证明对图像分辨率高、计算资源限制的三组数据集均具有高效 - 准确性的优势。
Sep, 2021
通过提出一种新的联合上采样模块 JPU,替代传统的扩张卷积,从而减少计算和存储空间的使用,同时提高语义分割模型的性能。实验证明,该方法在 Pascal Context 数据集和 ADE20K 数据集上达到了最先进的性能,并且更快。
Mar, 2019