本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理,该网络通过局部动态和面具感知全局动态,从本地到全局视角自适应模型参数和特征改变,以实现更好的特征转换和全局调和。
Nov, 2022
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
用于人像与新背景合成的一种考虑照明效果的扩散模型,通过引入灯光表示模块、对齐网络和数据模拟管道,实现了对全局色彩和亮度的调整以及场景中来自背景的关键照明线索的融合。该方法在视觉保真度和照明连贯性方面优于现有基准,在实际测试中表现出卓越的泛化能力,凸显了其多功能和实用性。
Dec, 2023
该论文提出了一种用于图像融合的端到端深度卷积神经网络,通过收集大规模高质量的训练数据,能够更好地捕捉复合图像的背景和前景的上下文和语义信息,实验表明,所提出的网络优于以往的方法。
Feb, 2017
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
给定一个复合图像,图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善,并将前景 - 背景关系从真实图像转移到复合图像,为转换的编码器特征提供中间监督。此外,我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。
Aug, 2023
本研究提出了一种新的批标准化方法(PBN),通过在空间维度上将批次的特征图拆分为不重叠的小块来独立归一化每个小块,从而利用图像局部块之间的差异来增强模型参数的鲁棒性,可以解决计算机视觉任务中,跨域数据的鲁棒性问题,包括分类,目标检测,实例检索和语义分割等任务。
Apr, 2023
提出了一种全局感知的 Kernel 网络方法,它可以使用长距离背景参考全面地调整局部区域,从而更好地解决图像和谐化的问题。实验结果表明,该方法在图像和谐化方面表现出卓越性能。
May, 2023
该研究提出了一种新颖的画风图像融合网络,由双域生成器和双域判别器组成,通过在空间域和频率域中使用 AdaIN 模块和 ResFFT 模块,进行融合并在拒绝感知机制中优化结果,在基准数据集上进行了广泛的实验并表明了该方法的有效性。
Dec, 2022
图像协调的目标是调整复合图像中前景的外观,使整个图像协调一致。我们通过探索可学习的增强方法,丰富小规模数据集的光照多样性,以提升协调性能。实验表明,我们提出的可学习增强方法对图像协调具有有效性。