关键词high resolution images
搜索结果 - 10
- 高分辨率图像质量数据库
通过创建高分辨率图像质量数据库，并使用该数据库训练 BIQA 模型，我们展示了高分辨率图像质量数据库对准确预测高分辨率图像的主观评分 (MOS) 所起到的重要作用。
- GRAM-HD: 基于生成光辐射流形的高分辨率三维图像生成
本文提出了一种新的 3D-aware GAN，通过在最近的生成辐射流多面体（GRAM）方法定义的一组 2D 辐射流多面体上应用 2D 卷积并应用专用的损失函数进行高效 GAN 训练，从而避免了 prohibitively-expensive - ICCV为语义图像合成而拼贴特定类别的 GAN
我们提出了一种高分辨率的语义图像合成方法，它由基本图像生成器和多个类别特定生成器组成。使用类特定模型的生成器进行独立训练，可以产生高质量的高分辨率图像，同时具有对象级别控制的灵活性。
- CVPR可微分的图像识别补丁选择
通过不可区分的 Top-K 算子选择图像中最相关的部分，以高效处理高分辨率图像。 该方法可以与任何下游神经网络接口，以灵活的方式聚合不同补丁的信息，并允许整个模型使用反向传播进行端到端训练。该结果适用于交通标志识别，补丁之间的关系推理以及在 - 训练基于分数的生成模型的改进技术
通过新的理论分析，提出了 score-based generative models 在高维空间中的学习和采样方法，并提出了维护模型权重的指数移动平均方法，从而在多个数据集上将生成对抗网络（GANs）的生成样本的质量与分辨率都超过了，如 C - DeepStrip: 高分辨率边界细化
通过将感兴趣区域转换为条带图像，并在其上计算边界预测来提高高分辨率图像的边界精度。
- 使用潜在对抗生成器创建高分辨率图像
通过在低分辨率图像的自然图像子空间中采样、使用生成对抗网络的隐空间和灵敏损失函数，提出了一种用于高分辨率自然图像生成的 Latent Adversarial Generator (LAG) 方法，并输出一组相关图像的样本。
- CVPR深度强化学习优化何时何地进行缩放
本文提出了一种名为 PatchDrop 的强化学习方法，该方法可以动态地识别何时和在哪里与配对的低分辨率图像一起使用 / 获取高分辨率数据，从而显著减少高分辨率数据的使用，并在 CIFAR10，CIFAR100，ImageNet 和 fMo - 高分辨率图像合成的加速框架
本文提出了一种两阶段的框架，用于加速合成高分辩率图像的训练过程，其通过已训练好的编码器和解码器网络将高分辨率图像变换为小编码，并通过训练一种编码生成网络学习潜在编码的分布，生成器只学习生成小的潜在编码，最后通过解码器网络将生成的潜在编码转化 - 高分辨率图像的高效目标检测
本文介绍了一种结合两种方法的物体检测算法，以有效地检测高分辨率图像中的小物体，主要利用了深度学习中的特征提取模型 AlexNet。