RMAFF-PSN:一种残差多尺度注意特征融合光度立体网络
本文提出 MAFFSRN 方法,通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络,实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。
Aug, 2020
本文提出了一个深度卷积网络 PS-FCN,用于快速前向传递预测一个物体的法线图,并可以解决非 Lambertian 表面的光度立体计算问题,可处理多个图像和光照方向,同时具有在校准和非校准场景下的高性能。
Jul, 2018
我们提出了一种高效的轻量级立体图像超分辨率多级特征融合网络(MFFSSR),通过利用混合注意力特征提取块(HAFEB)提取多级视角内部特征,并使用通道分离策略与嵌入的视角交互模块有效地进行交互,该结构配置能够在改善跨视角信息共享效率的同时有效挖掘视图内的特征,从而更准确地重构图像细节和纹理。通过丰富的实验证明了 MFFSSR 的有效性,我们在更少的参数下实现了卓越的性能。源代码可在此 URL 找到。
May, 2024
该论文提出了一种基于多尺度结构的单目深度估计方法,即结构感知残差金字塔网络(SARPN)。在该网络中,采用残差金字塔解码器来表达全局场景结构和局部形态细节,以及残差细化模块来预测残差图,同时采取自适应稠密特征融合模块来利用来自所有尺度的有效特征。实验结果表明,该方法在 NYU - 深度 v2 数据集上高效实用,达到了最先进的性能。
Jul, 2019
通过引入轻量级的关注网络,以及多尺度特征融合,本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战,该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。
Mar, 2024
本文针对 RGB-D 显著性检测问题,提出了一种定制化的特征融合模块 SEFF,通过利用邻近尺度的显著性图来增强融合所需的特征,得到更具代表性的融合特征。我们的多尺度 RGB-D 显著性检测器使用 SEFF 处理三个不同尺度的图像,并将 RGB 和深度图像的特征以及不同尺度解码器的特征进行融合。在五个基准数据集上进行的大量实验证明了我们方法在显著性检测上的优越性。
Jan, 2024
本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法,旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF,通过最小化光度误差优化多视角反射率网络的潜在空间,成功地实现了从稀疏数据中重建出高质量的物体,进而渲染出真实的图像。
Mar, 2020
本研究提出了一种用于光度立体图像的卷积神经网络结构,通过物理学建模的无监督学习框架,可以进行表面法线和反射率预测,并且在实际场景中达到了最先进的性能表现。
Feb, 2018
我们提出了一个快速且通用的解决多视图光度立体 (MVPS) 问题的方法,称为 MVPSNet。我们的方法通过一个特征提取网络有效地结合同一视图下不同光照条件下的图像,从阴影线索中提取几何特征用于立体匹配。我们通过介绍一种新的人工合成数据集 sMVPS 来训练我们的方法,并展示了在纹理缺失区域中提取特征的有效性。结果表明,我们的方法的重建结果与一个最先进的 MVPS 方法 PS-NeRF 相似,但推理速度快 411 倍(105 秒与 12 小时),具有一般化的可训练能力。
May, 2023
在计算机视觉中,尤其是在类似水稻叶病检测这样物体呈现显著尺度变化的任务中,检测不同尺度物体仍然是一个重要挑战。本研究提出了多尺度关注金字塔模块(mAPm),将扩张卷积集成到特征金字塔网络(FPN)中,以增强多尺度信息提取能力。此外,我们还结合了全局多头自注意机制和反卷积层来优化上采样过程。我们在 YOLOv7 上使用 MRLD 和 COCO 数据集对 mAPm 进行了评估。与纯 FPN、BiFPN、NAS-FPN、PANET 和 ACFPN 相比,mAPm 在平均精度(AP)上取得了显著提升,在 MRLD 数据集上相对于 YOLOv7 基线 FPN 方法提高了 2.61%。这表明它在处理尺度变化方面的有效性。此外,mAPm 的多功能特点使其能够整合到各种基于 FPN 的目标检测模型中,展示了推进目标检测技术的潜力。
Feb, 2024