AT-2FF: 自适应类型 - 2 模糊滤波器用于去噪盐和胡椒图像
本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法,成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务,同时提升了在受损图像方面的鲁棒性。
Mar, 2021
介绍了一种针对工业异常检测中缺乏缺陷样本的挑战的新算法,利用扩充缺陷样本来提高异常检测性能。该方法通过在潜在空间中生成缺陷样本的扩散模型,并通过一个特征编辑过程对其进行优化,采用三阶段的图像生成推理策略,生成高质量、多样化的缺陷样本,从而显著提高了基于扩充训练集的异常检测的准确性。在广泛认可的 MVTec AD 数据集上,该方法将其异常检测的表现提升了 1.5%,1.9%和 3.1%的 AP、IAP 和 IAP90 指标。
Feb, 2024
利用潜在扩散模型和新引入的损坏建模方案对传统的基于像素扩散的图像修复方案进行改进,从而提高图像修复的鲁棒性和实际性,加快运行速度,并在各种架构和数据集上得到了广泛验证。
Mar, 2024
该研究论文证明,通过对图像识别模型进行简单但适当的高斯噪声和斑点噪声训练,可以使其具有更好的泛化能力和对不同类型损坏更强的鲁棒性,并结合敌对训练方法进一步提高性能。
Jan, 2020
该研究提出了 MUFIA 算法,该算法能够鉴别导致深度学习模型失效的特定图像污染类型,并揭示现有模型对这些污染的鲁棒性不足的弱点,从而强调了提高模型抗干扰性的必要性。
Jun, 2023
通过引入概率性的文本到图像扩散模型(T2I DMs)的鲁棒性概念,并建立一个高效的统计性保证评估框架(ProTIP),本研究在解决生成过程的高计算成本和对比两个输出分布以确定扰动输入是否为对抗性示例的困难之后,通过实证实验验证了 ProTIP 在评估鲁棒性和效率方面相较于通用的 T2I DMs 的有效性,并展示了将 ProTIP 应用于常用防御方法排序的应用场景。
Feb, 2024
利用一种新颖的训练方法,基于有噪声图像的非组织集合来培训高质量的图像去噪模型,通过采用具有感受野盲区的网络来消除对参考数据的需要,提高了图像质量和训练效率,最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
本文提出了一种统一的端到端无监督深度学习模型,可以有效地去除多种噪声类型,包括盐和胡椒噪声、模糊和 / 或褪色文本以及水印等,显著提高了扫描图像的质量和多个测试数据集的 OCR 精度。
May, 2021
本研究重点关注视频编辑中的高质量调整,提出了一种名为 Frequency Adapting Group (FRAG) 的方法,通过引入一个新的接受域分支,在去噪过程中保留高频分量,从而提高视频编辑的一致性和保真度。该方法在 TGVE 和 DAVIS 等视频编辑基准上得到了验证。
Jun, 2024