经典图像上采样的最近邻分类
本文提出了 Local Naive Bayes Nearest Neighbor 方法,以提高图像分类算法的准确性和拓展性,该方法将所有参考数据合并成一个搜索结构进行快速搜索,并证明此方法可在 Caltech 256 数据集上带来 100 倍的速度提升。同时,也将 NBNN 与空间金字塔方法进行了头对头比较。本文发现,Local NBNN 方法表现优于以往的 NBNN 方法和原始空间金字塔模型,但仍不及使用本地软分配和 max-pooling 的最先进空间金字塔方法。
Dec, 2011
提出了一种简单而有效的引导上采样方法,通过优化上采样误差的低分辨率像素的索引和权重来表示高分辨率图像中的每个像素,从而更好地保留细节效果,并抑制出血和模糊等伪影,该方法适用于交互式图像编辑和实时高分辨率视频处理。
Jul, 2023
本文提出了一种基于深度神经网络的数据驱动算法,使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样,该算法不需要硬编码规则,并能够学习属于不同对象类别的点云的潜在特征,实验结果表明,相比基于优化的上采样方法,该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
本文提出了一种基于学习的框架,通过自适应地分析输入点云的局部几何结构,设计出轻量级神经网络来统一、排序插值权重以及高阶细化,从而生成具有密集点云的物体 / 场景,并处理非均匀分布和噪声数据,该方法于现实世界中的各种上采样因子都可运作,并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
该论文提出了一个像素递归超分辨率模型,可综合提高图像的分辨率并增强其真实感;该模型能够表示多模态条件分布,使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络,保持了照片的真实感。
Feb, 2017
本文提出了一种简单的最近邻方法,可以从 “不完整” 的信号(如低分辨率图像、表面法线图或边缘)中合成高频逼真的图像。通过将卷积神经网络和最邻近法相结合,可以解决模式崩溃问题和输出可控性。
Aug, 2017
该研究提出一种支持任意上采样率的点云高精度上采样方法,包括插值和迭代优化等步骤,经过大量的基准测试和下游任务的验证,表明该方法达到了最先进的准确性和效率。
Apr, 2023
本文介绍了一种深度神经网络模型,用于在两个空间维度上序列预测图像像素;该模型对图像的离散概率进行建模,并在深层循环网络中使用了快速的二维循环层和残差连接,实现了比以前的最新技术更好的自然图像日志似然度分数。
Jan, 2016
本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法,使用结构化边缘检测和语义场景标记来获取目标边缘线索,并将两种线索结合于测地距离度量中,进而在利用局部内容的情况下,实现了保持边界的深度插值,通过将观察到的场景结构建模为本地平面元素,并将上采样任务形式化为全局能量最小化问题,定出全局一致的解决方案,有效地保留了细节和深度边界,实验结果表明,与现有技术相比,本研究方法在不同的应用水平下均表现出卓越的性能。
Aug, 2016
本文提出了一种数据驱动的三维点云上采样技术,通过在特征空间中隐式地学习多层次特征并扩展点集,进而构建高密度点集,并在表面均匀分布的基础上实现采样点的重构,实验结果表明该方法的优越性。
Jan, 2018