- SuperGaussian: 将视频模型用于 3D 超分辨率改造
通过重复使用现有的视频模型进行 3D 超分辨率,我们提出了一种简单、模块化和通用的方法,以增加粗糙 3D 模型的几何和外观细节,从而显著提高最终 3D 模型的保真度。
- 经典图像上采样的最近邻分类
通过对图像中一组有序像素数据进行上采样,我们的目标是:提高图像的分辨率,使得最终结果通过人类测试,增加新的、可信的、逼真的信息和细节到图像中,同时保持相对于有损上采样实现的时间复杂度较接近。
- 基于分层频率上采样和优化的压缩视频质量提升
本研究提出了一种基于频率层次的上采样和优化神经网络(HFUR)来提高压缩视频质量,通过利用 DCT 域导出的先验信息进行无显式转换的频率上采样,并通过分层和迭代的优化提高最终输出的视觉质量。通过消融实验和可视化结果证明了所提出模块的有效性, - TULIP:用于 LiDAR 点云上采样的变形器
TULIP 是一种用于从低分辨率 LiDAR 输入中重建高分辨率 LiDAR 点云的新方法,通过修改基于范围图像的 Swin-Transformer 网络的补丁和窗口几何形状,以更好地适应范围图像的特性,TULIP 在所有相关指标上优于最先 - DiffPMAE: 点云重建的扩散遮蔽自编码器
点云流媒体成为交互式服务交付和未来元宇宙的常态,但庞大的数据量带来了诸多挑战,特别是高带宽消耗和大储存容量。为解决这些问题,我们提出了一种有效的点云重建架构 DiffPMAE,通过自监督学习和扩散模型机制远程重建点云数据,并在点云压缩、上采 - 提高上采样稳定性 —— 关于空间上下文的重要性
通过使用卷积上采样操作并增加内核大小而保持编码器不变,我们首次探索了上采样过程中上下文的重要性,并发现增大内核大小可以提高像素预测任务的稳定性,尤其在图像修复或图像分割任务中。
- iPUNet: 迭代交叉场引导的点云上采样
通过学习的点云上采样方法 iPUNet,可以在任意比例下生成密集、均匀的点,更好地捕捉尖锐特征;通过引入与尖锐几何特征对齐的横向场,使得生成的点在特征感知方面更优秀;同时,在横向场引导的上采样基础上,通过迭代策略将稀疏点移动到期望的连续三维 - SuperCalo: 阈值能量沉积超分辨
通过使用流式超分辨率模型 SuperCalo,可以快速地将高维的细粒度量能计量器沉降(shower)从粗粒度沉降中提升,从而降低计算成本、内存需求和生成时间。此外,通过 SuperCalo 提升的沉降具有高度的变异性,使得可以从较少的粗粒度 - 通过双反投影网络进行任意点云上采样
3D 传感器获取的点云通常稀疏且嘈杂,点云上采样是一种提高点云密度以恢复详细几何信息的方法。本文提出了一种用于点云上采样的双重背投影网络(DBPnet)。通过采用上下上的方式进行双重背投影,网络不仅对特征残差进行反投影,还对坐标残差进行反投 - 野外眨眼检测的深度可分离卷积时空金字塔卷积神经网络
本文旨在解决在野外环境下眼部闪烁检测面临的问题,主要通过上采样和下采样的方法解决图像分辨率和检测效率问题。同时采用深度可分卷积方法能够在提取空间和时间特征的同时减小网络规模。
- 使用等距岑圆投影的生成对抗网络进行 HRTF 上采样
本文提出了一种新的方法,使用生成对抗网络(GAN)将 HRTF 数据转换为便于使用卷积超分辨率生成对抗网络(SRGAN),该方法在稀疏输入 HRTF 时表现出较高的性能。
- CVPRGrad-PU:基于学习距离函数的梯度下降任意尺度点云上采样
该研究提出一种支持任意上采样率的点云高精度上采样方法,包括插值和迭代优化等步骤,经过大量的基准测试和下游任务的验证,表明该方法达到了最先进的准确性和效率。
- MM使用具有重叠支持的频率选择模型的点云几何和属性上采样
提出一种联合几何和属性信息进行点云上采样的频率选择性上采样(FSU)方法,在几何模型采样和属性模型评估两个步骤中利用块式覆盖支持来提高点云的表面详细度和视觉效果,并在实验证明,在误差和颜色 PSNR 等方面优于其他常规方案。
- PU-EVA: 基于边缘向量的灵活尺度点云上采样近似解决方案
本文提出了基于边缘向量的适度尺度点云上采样方法,通过边缘向量的仿射组合编码邻域连接关系,实现了网络架构下的灵活上采样比例,实验证明该方法在保持几何细节的同时,超过了现有技术在表面接近度和分布均匀性方面的性能表现。
- MM网格间针对颜色上采样的频率选择性点云重采样
本文提出了一种基于 Frequency-Selective Mesh-to-Mesh Resampling 的插值方案,用于三维彩色点云的升级,该方案在各种采样密度下表现出高性能。
- 学习时空下采样以实现有效的视频提升
本文提出了一个神经网络框架,该框架能够联合学习时空下采样和上采样,并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明,该方法显著提高了时空重构质量,并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。
- PU-Transformer: 点云上采样变形器
本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法,并通过定量和定性的对比实验证明了其优越性能。
- CVPR通过解耦精细化的方式进行点云上采样
该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云,提出了一种基于多目标的两级级联网络,包括稠密生成器和空间细化器,能够生成密集的均匀点集,同时修补小洞并调整每个点的位置,结果表明该方法优于现有技术。
- ACL少样本上采样用于抗议规模检测
提出了一个新的任务和数据集,旨在利用问答的形式将粗糙的文本标签提升为细粒度标签,以便在英语新闻文本中识别示威活动的实际人数,并通过零样本学习,微调和弱监督等多个模型进行了评估。
- 扩散模型对抗生成网络 (GANs) 在图像合成方面占优
通过扩散模型和分类器引导,我们的图像合成方法在 FID 指标以及覆盖分布方面优于现有的生成模型,我们的代码开源。