Jun, 2024

增强胶囊 VAE 用于水下图像重建

PDF
TL;DR通过结合深度神经网络和离散特征量化方法，我们提出了一种新的架构，能够同时处理水下图像分析中的视觉质量降低和高分辨率图像获取受限的问题，并通过使用胶囊层克服了离散量化的不可微性问题，从而在性能上优于现有方法以及节约数据存储空间。
underwater image analysisdeep neural networksautonomous underwater image acquisition systemsvector quantized variational autoencodercapsules
发现论文，激发创造
  • 利用向量量化变分自编码器从遥感影像中进行弱监督海洋动物检测

    本文讨论了一种从海洋环境中的航空图像中进行弱监督动物检测的重建方法，该方法利用异常检测框架直接计算输入空间的度量，与特征嵌入方法相比具有更好的可解释性和异常定位能力，同时在处理嘈杂数据方面具有优势，提供了有价值的洞察力，推动了监测海洋生态系统并减缓人类活动对海洋动物的影响的发展。

    Jul, 2023

  • UW-ProCCaps: 水下渐进式且带囊的着色

    本文提出了一种用于水下图像的机器学习模型，可以从发光通道重建图像的颜色，从而减少图像存储所需的内存空间，同时在四个基准数据集上验证了该模型的有效性。

    Jul, 2023

  • 快速水下图像增强以提升视觉感知

    提出了一种条件生成式对抗网络模型来实现实时水下图像增强，该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量，并使用 EUVP 数据集进行监督学习，可以从匹配和非匹配训练中学习提高水下图像质量，进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。

    Mar, 2019

  • 半监督水下图像目标检测算法

    利用变分自动编码器的半监督方法来检测水下无人潜水器收集的人工物体图像， 通过数据聚类和异常分数提取技术，能够大规模地识别感兴趣的物体的候选样本，并在未标记的数据集上实现了平均精度为 0.64 的识别

    Jun, 2023

  • 用于遥感中安全有损图像压缩的卷积变分自编码器

    通过卷积变分自编码器 (CVAE) 进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。

    Apr, 2024

  • 水下可变焦深度引导感知网络用于水下图像增强

    通过将深度先验注入到深度水下图像增强模型中，本论文提出了一种名为水下可变变焦（UVZ）的新型深度引导感知水下图像增强框架，该方法在不同区域实现了局部和非局部感知，并在多个基准数据集上取得了卓越的视觉增益和有希望的定量指标，特别是在异常光照条件下表现良好。

    Apr, 2024

  • 分层量化自编码器

    该研究使用层次 VQ-VAE 近似压缩图像，同时保持感知质量和抽象特征。在 CelebA 和 MNIST 数据集上进行了定性和定量评估。

    Feb, 2020

  • 无线通信和传感器网络中多模态数据融合的优化

    本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

    Feb, 2023

  • 分离式注意力：一种基于 Cycle GAN 的改进型水下图像增强方法

    提出了一种基于改进的 Cycle GAN 模型的水下图像增强方法，利用深度导向关注机制增强整体图像对比度，保持全局内容、颜色、局部纹理和样式信息不变，该方法在包含配对和非配对水下图像集的基准数据集上训练，定性和定量评估结果表明该模型适用于自主水下航行的视觉导航。

    Apr, 2024

  • 协作强韧水下图像增强与感知的双重对抗性韧性

    本论文介绍了一种协作对抗鲁棒性网络（CARNet），用于水下图像增强和后续检测任务。通过引入具有强大扰动感知能力的可逆网络来隔离水下图像中的攻击，防止对图像增强和感知任务的干扰，并结合视觉驱动和感知驱动攻击的同步训练策略，使网络能够识别和去除各种类型的攻击。此外，还结合攻击模式判别器提高网络对不同攻击的鲁棒性。实验证明，该方法输出视觉上令人满意的增强图像，并相比最先进方法具有平均 6.71% 更高的检测 mAP。

    Sep, 2023