AAAIDec, 2023

通过绘画专业照片来学习主题感知裁剪

PDF
TL;DR通过将库存图像与现代预训练的文本 - 图像扩散模型相结合，我们提出了一种弱监督方法（GenCrop），用于从专业库存图像中学习高质量的主题感知裁剪，从而自动生成了一大批裁剪 - 未裁剪的训练对。尽管是弱监督的，GenCrop 在定量和定性评估指标上与最先进的监督方法相媲美，并且比可比的弱监督基线方法显着优秀。
发现论文，激发创造
  • 由美学照片学习组合，实现图像剪裁的端到端神经网络

    该论文提出了一种基于深度学习的图像裁剪方法，利用卷积神经网络和回归网络，仅需一个锚定区域即可直接输出最终结果，从而实现高精度和高效率。

    Jul, 2019

  • 使用深度神经网络和级联回归进行自动图像裁剪以进行视觉美学增强

    本文提出了一种基于级联裁剪回归（CCR）的图像裁剪方法，使用专业摄影师的知识来学习裁剪。利用大规模视觉美学数据集训练了一个深度卷积神经网络（CNN）分类器，再在几个图像裁剪数据集中提取特征，由 CCR 方法预测裁剪边界框，实验结果表明该方法显着优于几种最先进的图像裁剪方法。

    Dec, 2017

  • 利用现有的深层网络进行字幕和美学引导的图像裁剪

    我们提出了一种新颖的优化框架，它可以基于用户描述信息和美学目标对给定图像进行裁剪，通过重新利用预训练的图像标注和美学任务网络直接优化裁剪参数，并通过多种策略实现了优化目标的实现，定量与定性实验证明我们的框架可以产生符合预期的用户描述和审美标准的裁剪图像。

    Jan, 2022

  • 自动图像剪裁算法的定量分析：数据集和比较研究

    本研究通过对传统方法和基于排名的图像剪裁器的研究，讨论了基于学习排名算法处理自动图像剪裁问题。此外，作者还提出了一个新数据集，以评估各种基线算法的表现。实验结果为设计更好的自动剪裁算法提供了有价值的见解。

    Jan, 2017

  • 定位，分配，细化：通过文本主题引导驯服定制图像修复

    LAR-Gen 是一种图像修复方法，可以无缝地修复遮挡的场景图像，结合了文本提示和指定主题，通过粗到细的方式保证主题身份保持和本地语义一致性，并引入了一种新的数据构建流程来解决稀缺训练数据的问题，广泛的实验和各种应用场景展示了 LAR-Gen 在保持身份和文本语义一致性方面的优越性。

    Mar, 2024

  • 学习通过首先移除图像对象来添加图像对象的绘画

    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

  • 面向美学的图像剪裁增强学习（A2-RL）

    本研究提出了一个弱监督美学感知强化学习 (A2-RL) 框架，将美学图像裁剪作为一个序列决策过程，并开发了一种美学感知奖励函数，使用 actor-critic 结构以端到端方式训练智能体，实验结果表明，我们的方法在使用较少的候选窗口和时间的情况下实现了状态 - of-the-art 的性能。

    Sep, 2017

  • 利用去噪实现拼贴，修复和和谐化：使用预训练的扩散模型进行主题驱动的图像编辑

    本研究提出了一种名为 PhD 的框架，它利用样例图像和文本描述来指定用户意图，通过对生成或编辑的图像进行插入、修补和协调来保证其视觉一致性，并通过实验验证其在主题驱动的图像编辑和基于参考主题的文本驱动场景生成方面均达到了最先进的性能。

    Jun, 2023

  • 基于组合和显著性感知美学评分地图的图像裁剪

    该研究提出了一种可解释的图像裁剪模型，使用深度学习方法生成美学评分地图，在裁剪级别的美学评价中考虑图像的组合和显著性，从而实现高质量的美学图像裁剪。

    Nov, 2019

  • 设计约束下的图像裁剪

    提出一种基于评分函数的图像裁剪方法，其计算裁剪结果的分数是否在美学上可行并满足设计约束条件，并对在设计约束下的图像裁剪提出两种派生方法：基于提案的方法和基于热图的方法。实验证明，所提出的方法在图像裁剪方面优于基准方法，基于提案的方法在相同计算成本下优于基于热图的方法，但基于热图的方法在增加计算成本的情况下获得更好的分数。实验结果表明，在美学上可行的区域和满足设计约束条件之间的平衡是一个触动灵敏的问题，并且两种所提出的方法都是合理的选择。

    Oct, 2023