场景先验滤波在深度图超分辨率中的应用
提出了一种简单而有效的方法,通过利用与自动驾驶相关的时序数据的图像先验来改善语义分割准确性,该方法采用先验融合网络来学习先前图像的特征,最终将具体应用于提高场景理解。
Oct, 2019
通过融合和提取语义先验,我们提出了一个通用框架来改善图像恢复任务中的效果,同时提高模型的推理效率,并通过引入语义引导的关系模块来进一步改善恢复模型的性能。
Mar, 2024
基于模型驱动的深度展开框架和图像推理先验的概念,通过嵌入空间掩蔽策略的预训练的自动编码器 (MAE) 和空间光谱掩蔽策略的正则化项,将图像推理先验融入到深度展开网络中,提高其解释性和表示能力,实现与全局学习过程和全局物理机制的显式集成,多种卫星数据集上的实验证明该方法优于现有的最先进方法。
Aug, 2023
这篇论文介绍了一种深度神经网络(DNN),多尺度语义先验特征引导图像修复网络(MFN),用于修补街景图像,以实现隐私保护并为城市应用生成可靠场景。
May, 2024
通过将低频和高频区域分别表示,并结合图像锐化和去噪技术以及估计像素级表面法线向量的网络,我们的混合架构和改进的正常先验可以显著提高室内场景的重建质量。
Sep, 2023
基于双模性策略的先验语义引导图像融合方法提供了在智能交通系统中提高红外和可见光图像融合性能的新途径,通过设计并应用两个并行的语义分割支路和一种自适应调制机制,捕捉和整合了两个图像的重要的先验语义信息,并通过多级表示自适应融合模块进一步整合高层语义和细节,优于现有图像融合方法。
Mar, 2024
本文提出了一种卷积神经网络,它可以基于高分辨率强度图像得出上采样一系列稀疏范围测量的上下文线索,并且在网络中分离、融合两种模态的上下文线索,旨在利用两种模态之间的关系来产生准确的结果,同时尊重显著的图像结构。通过实验结果表明,该方法与当前最先进的方法相媲美,并可在多个数据集上进行有效泛化。
Feb, 2019
本研究提出了一种基于 Transformer 的跨模态融合架构,用于弥合多模态融合与全景场景感知之间的差距,并使用失真感知模块来处理极端对象变形和全景失真,通过跨模态交互实现特征矫正和信息交换,最终将特征合并以传达双模态和三模态特征流的长程上下文,通过在三个室内全景数据集中四种不同模态类型的组合进行彻底测试,我们的技术在 Stanford2D3DS(RGB-HHA)上达到了 60.60% 的 mIoU 性能,Structured3D(RGB-D-N)上达到了 71.97% 的 mIoU 性能,Matterport3D(RGB-D)上达到了 35.92% 的 mIoU 性能。
Aug, 2023
本研究提出了一种基于引导式深度解码器网络的通用先验,该网络由一个利用引导图像的多尺度特征的编码器 - 解码器网络和一个生成输出图像的深度解码器网络组成,并通过特征细化单元将引导图像的多尺度特征嵌入深度解码器网络,允许网络参数在无监督学习的情况下进行优化,实现了多种图像融合问题的最新性能。
Jul, 2020