Dec, 2023

分割任意物体模型与图像融合

PDF
TL;DR本文提出了一种利用语义分割地图指导前景和背景特征的视觉一致性学习的方法，称为语义引导的区域感知实例标准化（SRIN），并且通过丰富的实验验证了该方法在图像协调中的优越性。
image harmonizationforeground and background adjustmentsemantic segmentation mapsvisual consistency learningstate-of-the-art methods
发现论文，激发创造
  • 面向区域的自适应实例标准化用于图像协调

    本文提出了一种基于深度学习的图像和谐方法，通过引入基于区域的自适应实例归一化 (RAIN) 模块，实现了前景与背景之间的视觉风格一致，并且在现有数据集上进行了大量实验验证，提出的方法具有很高的应用价值。

    Jun, 2021

  • 图像协调的前景感知语义表示

    通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。

    Jun, 2020

  • 利用 “分段任意模型” 评估 GRAD-CAM 在医学成像中的定位

    本文探讨如何利用 Segment Anything Model (SAM) 技术进一步提高医学图像的显著性图测试准确性，同时可以泛化到不需要人类注释的测试方法，并研究 SAM 在医学领域中的应用和挑战，这包括图像预处理，自然语言建议以及 SAM 在多个医学成像数据集上的准确性。

    Jun, 2023

  • Segment Anything Model 是学习局部特征的好教师

    SAMFeat 通过引入 SAM（segment anything model）作为教师模型，利用像素级对齐关系和语义信息，改进本地特征描述和检测的性能，展现了在不同任务中的优越性能。

    Sep, 2023

  • GoodSAM: 透过分段模型建立领域和能力差距，实现适应扭曲感知的全景语义分割

    本文提出了一种名为 GoodSAM 的新型框架，通过引入教师助理 (TA) 并融合 SAM 的集成 logits 来解决从 Segment Anything Model (SAM) 到学生模型的知识转移问题，同时提出了 Distortion-Aware Rectification (DAR) 模块和 Multi-level Knowledge Adaptation (MKA) 模块来处理全景图像的畸变问题并进行多级特征知识的有效传递，实验证明 GoodSAM 在两个基准测试上取得了较先进方法 + 3.75% 的平均交并比 (mIoU) 提升，并且我们最轻量级的模型仅有 3.7M 个参数却达到了与先进方法相媲美的性能。

    Mar, 2024

  • 通过空间分离注意力模块改善复合图像的谐调性

    本文提出了一个新的注意力模块 SPatial-Separated Attention Module (S2AM) 来学习掩膜区域的特征，并将其与 Unet 结构中的粗略底层特征相结合，实现了一种新的图像和谐框架。根据多方面的标准，实验证明了所提出的 S2AM 在任务中的表现要优于其他现有的注意力模块和图像和谐方法。

    Jul, 2019

  • 从空间中分割任何物体？

    研究了针对视觉任务开发的第一个基础模型，称为 Segment Anything Model（SAM）。SAM 可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性，并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了 SAM 在航空图像问题中的表现，他们发现虽然 SAM 在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

    Apr, 2023

  • ARHNet：适应性区域协调用于病变感知增强以提高分割性能

    提出一种前景调和框架（ARHNet）来解决 MRI 扫描的强度不均匀问题和使合成图像看起来更加逼真的问题，实验结果表明此方法在提高分割性能方面表现优异。

    Jul, 2023

  • 基于大视觉模型的自引导远感图像少样本语义分割

    本研究介绍了一种用于自动化少样本语义分割的结构化框架，利用 Segment Anything Model（SAM）模型，并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，实验证明该方法在 DLRSD 数据集上优于其他可用的少样本方法。

    Nov, 2023

  • 区域感知分布对比：一种新的多任务部分监督学习方法

    多任务密集预测的研究中，我们通过引入 Segment Anything Model (SAM) 和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。

    Mar, 2024