Nov, 2023

稀疏字典上的最优图像传输

PDF
TL;DR本论文通过利用稀疏表示和最优传输，推导出一种新颖的针对稀疏字典的最优图像传输算法。通过将图像特征编码为稀疏表示并根据编码过程在两个学习字典之间推测最优传输计划，得到了一种简单而有效的同时图像表示和转换方法，可广泛应用于图像转换任务。
optimal image transport algorithmsparse dictionariessparse representationoptimal transportimage-to-image translation tasks
发现论文，激发创造
  • 面向稀疏无监督恢复学习的最优传输感知算法

    本文提出一种稀疏感知的最优传输 (SOT) 准则，通过利用 OT 框架中的降级疏松性，可以在无监督的恢复学习中显着提高性能，特别是在超分辨率和去雾等任务上。实验结果表明，SOT 可以在这些任务中显著优于现有的无监督方法，接近于最优监督方法的表现。

    Apr, 2023

  • 在大规模最优输运问题上的可扩展和高效计算

    提出了一种名为 SPOT（Scalable Push-forward of Optimal Transport）的基于隐式生成学习的方法来解决 “最优传输”（Optimal Transport，OT）中的可扩展性问题，该方法通过引入参考分布而近似最优传输计划，并将其转化为极小极大问题。实验结果表明 SPOT 系统具有可靠性和较好的收敛性，并允许从最优传输计划中高效采样，从而有利于领域适应等下游应用。

    May, 2019

  • 元最优输运

    该论文研究了利用折旧优化技术来预测最优输运映射的应用，称之为 “元优化传输”（Meta OT)。它提高了标准方法的计算效率，并改进了收敛速率。

    Jun, 2022

  • 结构稀疏最优传输的子模组框架

    探索在不平衡最优输运 (UOT) 设置中学习稀疏输运规划，提出基于最大均值差异 UOT 的稀疏约束优化问题，开发了高效的基于梯度的离散贪婪算法，并在多个应用中验证了该方法的有效性。

    Jun, 2024

  • OPTiML: 自我监督医学图像表示中的稠密语义不变性应用最优传输

    我们介绍了一种新的自我监督学习框架 OPTiML，采用最优输运（OT）来捕捉密集的语义不变性和细节，从而提高医学图像表示学习的总体效果，并且在胸部 X 射线模态上的实验结果表明 OPTiML 在所有评估任务中优于最先进的方法。

    Apr, 2024

  • SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

    我们提出了一个基于最优传输的伪标签学习框架来解决深度不平衡聚类问题，该框架通过逐步将样本转移到不平衡的聚类中生成高质量且注意不平衡性的伪标签。

    Apr, 2024

  • 一种用于稠密最优传输的稀疏多尺度算法

    提供了一个与连续的最优传输类比的框架，以便于在本地验证离散传输计划的全局最优性，从而构建一种通过考虑一系列稀疏问题来解决大规模密集问题的算法，进而可以与分层多尺度方案相结合，明显减少了运行时间和内存要求。

    Oct, 2015

  • 结构化最优输运

    本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

    Dec, 2017

  • 深度最优输运：一种逼真图像恢复的实用算法

    提出了一种图像恢复算法，该算法可控制任何预训练模型的感知质量和 / 或均方误差，通过对测试时间的控制，实现其中之一。

    Jun, 2023

  • 正则离散最优输运

    本文介绍了一种离散最优传输的推广，应用于彩色图像处理，并将其扩展到 distribution 的 Barycenters 计算，它们的混合体是通过图像彩色调整用于颜色归一化。

    Jul, 2013