- Any360D: 利用无标签的 360 数据和 Möbius 空间增强实现全景深度
在 360 图像方面,通过建立一个新的评估基准和提出一种半监督学习框架,我们展示了一个称为 Any360D 的新 360 深度建模方法的有效性,它在不同场景下具有令人印象深刻的零样本能力。
- 感知空间中的空间变换对抗性图像生成
基于感知色彩空间和空间变换的对抗例子生成方法具有高置信度和有利的近似感知距离结果。
- 基于转换触发器的后门攻击
本文研究基于深度神经网络的后门攻击,在图像的预处理阶段,采用特殊参数的空间变换作为触发模式,仅旋转到特定角度的图片就能激活被攻击深度神经网络的嵌入式后门;同时,本文验证了虽然已存在的后门防御策略具备一定的抗攻击性,但是仍然无法阻止本文介绍的 - CVPR通过梯度反变一致性实现近似微分同胚
该研究提出了一种利用神经网络实现医学图像配准的方法,通过反向一致性惩罚促进转换规则性,并使用 'GradICON' 作为正则化器,从而在多种真实医学图像数据集上实现了最先进的配准精度。
- 透过反向一致性学习规则地图
探索通过逆一致性损失和随机离散插值结合的深度网络进行空间变换来获得映射的规则性,并且发现使用这种方法可以在不需要良好正则化器的情况下获得规则的映射,同时达到注册性能竞争力。
- 用于图像分类和搜索的变换不变卷积神经网络
该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性,从而显著提高了 CNN 在图片识别等许多基准任务上的表现。
- NIPS用于语义对应的循环变压器网络
本文提出了利用循环变压器网络(RTNs)对语义相似图像进行密集对应的方法,在迭代过程中估计图像间的空间变换,以及使用这些变换来生成对齐的卷积激活,通过直接估算两幅图像间的变换,而非独立正则化每个图像,我们证明了更高的精度可以得到,同时使用一 - 无需训练数据的基于自监督全卷积网络的非刚性图像配准
本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法,通过优化和学习不同尺度下的空间变换以及卷积神经网络,实现了对 3D 结构脑磁共振图像更好的配准效果。
- 使用深度自监督全卷积网络进行非刚性图像配准
本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法,实现了多分辨率下空间变换和网络学习的联合优化,并且在注册 3D 结构性脑磁共振(MR)图像方面表现比最先进的图像配准算法更好。
- Gabor 卷积网络
该论文介绍了一个新的深度学习模型,称为 Gabor 卷积网络(GCNs),它将 Gabor 滤波器结合到深度卷积神经网络(DCNNs)中以增强对方向和尺度变换的抵抗力,并实现了在对象识别中的超大类能力,并减少网络参数。
- 扭曲卷积:对空间变换的高效不变性
使用常量图像变形后接简单卷积的方法可以使该架构等变于广泛的双参数空间变形,此方法在 Google Earth 数据集和 Annotated Facial Landmarks in the Wild 数据集中都呈现出良好的效果。
- 利用时空同步学习编码运动
本篇论文研究了如何学习从视频中提取运动信息。作者提出可以将空间变换检测看作是检测图像序列和运动序列中的 features 同步,提出了一种基于本地乘法门控的快速学习规则,可以在只需花费特征学习时间的一小部分时间内实现在广泛的运动估计任务中竞