- ICCVELFNet:用于立体匹配的证据局部全局融合
在本论文中,我们提出了 Evidential Local-global Fusion (ELF) 框架,用于立体匹配,通过确定性估计和置信度感知的融合,赋予了模型可信赖性,该框架能够有效地利用多尺度和多视图知识,实现多级预测的融合和基于成本 - 混合结构块图像去雾网络 MixDehazeNet
本文提出一种称为 MixDehazeNet 的新型多结构图像去雾网络框架,其中包括多尺度并行大卷积核模块和增强型并行注意力模块,可有效解决现有方法在忽视多尺度属性和不充分考虑不均匀雾分布方面的问题,并在三个基准测试中进行了广泛实验验证。
- 多尺度几何感知 Transformer 用于 3D 点云分类
本文提出了一种基于自注意力和多尺度非欧几里得几何信息的插件模块 Multi-scale Geometry-aware Transformer(MGT),通过对点云数据的局部和全局几何信息的处理,成功提高了点云任务的性能表现。
- 多传感器多尺度卫星土壤湿度检测的基于区间的融合
本研究提出了一个基于图像段的融合框架,通过整合 Sentinel-1/2 和 SMAP 数据,评估准备多尺度土壤湿度图的可能性,并证实与基于像素的融合方法相比,该方法能够将土壤湿度估计改进高达 20%。
- 从单例学习生成 3D 形状
本文探讨基于生成对抗网络的多尺度模型,在仅有单个参考 3D 模型的情况下进行学习,而不需要使用大规模的 3D 数据集或人工标注,从而生成多样化和高质量的 3D 模型。
- 基于神经结构搜索的多尺度注意力图像去雨网络
提出了一种高性能的多尺度注意力神经结构搜索(MANAS)框架,通过梯度搜索算法自动搜索内部多尺度注意力架构来构建功能强大的图像去雨网络,并采用多种损失函数联合优化来实现图像去雨的性能和可控模型复杂度。
- 全球感知与测量重用于图像压缩感知
本研究介绍了一种新颖的测量重用卷积压缩感知网络 (MR-CCSNet),它利用全局感知模块 (GSM) 收集所有级别的特征,使用多尺度上的多次测量重用块 (MRB) 来增强信息提取能力。实验结果表明,在三个基准数据集上,该模型大大优于现有的 - 基于多尺度图嵌入的图核
本文提出了一种新型图核心方法,称为多尺度路径结构图核心方法(MPG),它考虑了子结构的分布和不同尺度的图结构,并使用 Wasserstein 距离计算相似度,实验结果表明其性能超越了现有方法。
- ECCVBungeeNeRF:逐层递进的神经辐射场用于极端多尺度场景渲染
BungeeNeRF is introduced to address the issues of level-of-detail rendering in multi-scale Neural Radiance Fields in rea - AAAI使用多尺度双向传播的深度循环神经网络用于视频去模糊
使用多尺度双向传播的循环神经网络,提出一种解决视频去模糊的方案,并通过自行创建的真实世界数据集进行验证。
- ICCVMUSIQ: 多尺度图像质量转换器
设计了一个多尺度图像质量 Transformer (MUSIQ),它可以处理具有不同尺寸和长宽比的本机分辨率图像,通过多尺度表示,我们提出的方法可以捕捉不同粗细度的图像质量,并提出了一种基于哈希的二维空间嵌入和尺度嵌入,支持多尺度表示中的位 - CVPR多尺度几何一致性引导的多视角立体重建
该论文提出了一种基于几何一致性的多尺度引导的多视角立体方法,其中利用结构化区域信息采样更好的候选假设,进而推断每个像素的聚合视图子集,以及将 ACMH 与多尺度几何一致性指导(ACMM)相结合,以便在粗略尺度上获取低纹理区域的可靠深度估计并 - 基于扩张 Inception 网络的视觉显著性预测
本文提出了一种基于 DCNN 网络的端到端扩张 Inception 网络(DINet)用于实现视觉显著性预测,并使用一系列线性归一化的概率分布距离度量作为损失函数来推断全局显著性信息,从而将显著性预测转化为概率分布任务。实验结果表明,该方法 - ECCV基于身体拓扑定位和时间特征聚合的小尺度行人检测
本文提出一种基于身形拓扑线定位和时间特征聚合的新型方法,针对行人检测中小尺度目标识别难题,提出了一种综合性的解决方案,包括 MRF 后处理方案,能有效减少漏检率,并在 Caltech 和 CityPersons 数据集上都取得了有竞争力的性 - 使用多尺度卷积神经网络从单个 RGB 图像实现准确的光谱超分辨率
本文提出了一种基于深度卷积神经网络的多尺度图像转换方法,可以从 RGB 观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下,可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。
- ECCV多尺度空间非对称再校准图像分类
本文提出了一种名为多尺度空间非对称重新校准的方法,在残差块和密集连接块等多个流行的模块上实现,并证明其在 CIFAR 和 ILSVRC2012 分类任务中具有优越的性能表现,通过从多个尺度提取周围区域的信息,不对称的空间加权方案来提高卷积能 - ECCV人体姿态估计的多尺度结构感知网络
本文提出了一种多尺度结构感知神经网络,通过多尺度监督、多尺度回归网络、中间监督和结构感知损失以及关键点掩蔽训练方案等四个方面对深度卷积 - 反卷积沙漏模型进行改进,以有效地提高人体姿势估计的性能。该网络不仅可以解决尺度差异、遮挡和复杂多人场 - 深度多尺度时空判别性显著图的非刚性物体跟踪
提出了一种基于时空一致的显著性检测的新型有效的非刚性物体跟踪框架,其中利用了定制的完全卷积神经网络 (TFCN) 来建模该图像区域的本地显著性先验,同时提出了多尺度多区域机制来生成本地显著性地图,最后,利用预测的显著性地图,提出了一个非刚性 - 使用改进的 Faster RCNN 进行人脸检测
本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法,通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法,实现了在 WIDER FACE 验证数据集(易于设置、中等设置、困难设置) - MM基于榜样的纹理合成调查
本文研究了纹理合成的两大方法,即基于统计学特征和重组补丁方法,并探索了混合方法以及卷积神经网络的应用,但在处理多尺度的真实纹理图像时面临挑战。