Nov, 2023

提高上采样稳定性 —— 关于空间上下文的重要性

PDF
TL;DR通过使用卷积上采样操作并增加内核大小而保持编码器不变，我们首次探索了上采样过程中上下文的重要性，并发现增大内核大小可以提高像素预测任务的稳定性，尤其在图像修复或图像分割任务中。
pixel-wise prediction tasksimage restorationimage segmentationdisparity estimationupsampling
发现论文，激发创造
  • 学习时空下采样以实现有效的视频提升

    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

  • 卷积神经网络中的内容自适应下采样

    该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。

    May, 2023

  • 深度 Fourier 上采样

    本研究提出了一种理论上有根据的 Deep Fourier Up-Sampling（FourierUp）来解决空间上采样运算符在全局建模中存在的局限性，包括对象检测、图像分割、图像去雨、图像去雾、引导图像超分辨率等多个计算机视觉任务的实验表明 FourierUp 的出色性能表现。

    Oct, 2022

  • 单图像超分辨率保留全局结构和降噪的新技术

    本研究提出两种新的神经网络架构，分别解决了单图像超分辨率中上采样时的噪声放大和大尺度结构的保留问题，并在 2018 年 NTIRE 超分辨率挑战赛的多项比赛中获得较高名次。

    May, 2018

  • 针对超高分辨率图像分割的降采样学习

    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

  • 超高分辨率图像修复的上下文残差聚合

    提出了一种上下文残差聚合 (CRA) 机制来产生高频残差，从而实现对低分辨率预测的重量级聚合。该模型在小图片上进行训练，可在高分辨率图片上进行推断，其能力可达到以前的学习基础方法所无法实现的程度。

    May, 2020

  • 理解卷积在语义分割中的应用

    该论文提出了一种改进像素级语义分割的深度学习方法，其中涵盖了密集上采样卷积和混合空洞卷积框架，达到了在 Cityscapes 等数据集上的最先进结果。

    Feb, 2017

  • 通过时空数据过度拟合实现高质量、高效的视频超分辨率

    利用深度卷积神经网络，结合时空信息，通过数据导向联合训练技术，实现高质量高效实时的视频超分辨率提升，相比现有技术在流媒体视频分辨率提升任务中提高了 14 倍帧率同时提高 2.29dB 的画质。

    Mar, 2023

  • PixelNet：以像素为本，由像素表示，为像素服务

    本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

    Feb, 2017

  • 基于保边概率下采样的高效精确 CT 分割

    通过引入一种名为 Edge-preserving Probabilistic Downsampling (EPD) 的新方法，该方法利用局部窗口中的类别不确定性产生软标签，以低分辨率实现网络生成高质量预测，从而更有效地保留边缘细节，并在图像下采样中优于常规的最近邻插值方法和双线性插值方法，从而提高整体性能。相较于常规插值方法，我们的方法在将数据下采样至 1/2、1/4 和 1/8 时，Intersection over Union (IoU) 显著提高了 2.85%、8.65% 和 11.89%。

    Apr, 2024