图像三维重建专题第四期-使用级联CNNs对深度图去噪和精炼DDRNet

最新推荐文章于 2025-04-09 21:56:23 发布
原创 最新推荐文章于 2025-04-09 21:56:23 发布 · 774 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#paper

提出一种级联深度去噪和精炼网络（DDRNet），针对消费级传感器的噪声问题，实现实时单深度图增强。网络利用多帧融合几何和高质量颜色图像生成，采用无监督训练策略，提取高频率几何细节。实验结果表明，在多种场景下，DDRNet性能优越，超越现有技术。

论文链接

摘要

        消费级传感器越来越受到欢迎和在我们的日常生活被它最近的融合在最新的IphoneX。然而，他们仍然受困于噪声而限制他们的应用。虽然大部分的处理已经被做来减少噪声和boost矩阵细节，由于先天固有因素和实时的需求，这个问题仍然没有被很好解决。我们提出了一个级联深度去噪和精炼网络（DDRNet）来处理这个问题，通过利用多帧融合几何和完成高质量颜色图像通过一个加入训练策略。这个渲染公式被开发在我们的网络是一个无监督的行为。具体细节，我们使用无监督损失基于轻量转换来提取高频率几何。实验结果表明我们的网络完成实时的单深度增强在各种场景中。非常好的隔离低高频率信息在级联网络，我们实现极好的性能超过先进的技术。

系统框架

深度图降噪网络

细致网络结构

验证集上的质量结果

指标对比

更多《计算机视觉与图形学》知识，可关注下方公众号：

OpenCV4.x图像处理实例-使用级联检测器进行眨眼检测
视觉与物联智能
09-24 669
使用级联检测器进行眨眼检测 使用级联检测器进行眨眼检测 1. 前言 2. 使用级联检测器进行眨眼检测描述 3. 代码实现 1. 前言 眨眼检测在活体检测认证中有着广泛的应用。本文介绍眨眼检测主要通过OpenCV提供的级联检测器实现。 OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 [1] 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby
MATLAB算法实战应用案例精讲-【人工智能】语义分割（补充篇）(附matlab代码实现)
qq_36130719的博客
01-01 2435
语义分割是从粗推理到精推理的自然步骤：原点可以定位在分类，分类包括对整个输入进行预测。下一步是本地化/检测，它不仅提供类，还提供关于这些类的空间位置的附加信息。最后，语义分割通过对每个像素进行密集的预测、推断标签来实现细粒度的推理，从而使每个像素都被标记为其封闭对象矿石区域的类别。更具体地说，语义图像分割的目标是给图像中的每个像素都贴上对应的一类所代表的内容的标签。因为我们要对图像中的每个像素进行预测，所以这个任务通常被称为密集预测。
【CV 入门必读论文】人脸检测的突破：探索 CNN 级联的力量
繁依Fanyi的博客
06-21 600
总的来说，这篇论文的贡献在于提出了一种基于CNN级联的人脸检测方法，通过多个网络模型的串联和优化，实现了高效、准确的人脸识别。该方法在人脸检测领域取得了显著的成果，对于解决实际应用中的人脸识别问题具有重要的指导意义。
应用级联CNN的人脸检测--笔记
h1598467640的博客
09-11 3624
级联cnn在人脸检测领域的使用。本文为文献主体思想的翻译，也是学习笔记。
【DDRNet】DDRNet项目使用单GPU、自己的数据集训练、得到测试图像
weixin_44725109的博客
08-11 5093
使用DDRNet进行单GPU的训练测试自己的数据集，并得到测试图像
基于多尺度残差密集块和块连接级联U-Net的真实图像去噪
RrS_G的博客
07-15 3261
为了解决这一问题，本文介绍了一种新的利用来自真实的噪声图像中的真实的噪声的数据排列方法。如图4所示，该方法的第一步是将groundtruth图像与相应的噪声图像相减，生成噪声图像数据。对于噪声数据，噪声聚类过程根据其对应的地真强度值将数据分为N个簇。排列后，生成新的合成噪声图像，并将其加回相应的groundtruth图像，生成新的合成噪声图像。传统的图像去噪研究主要集中在去除sRGB数据中的噪声，而近些年研究发现在Bayer原始数据中去噪将比在sRGB数据中去噪更有效。.........
活体检测综述 Deep Learning for Face Anti-Spoofing: A Survey 阅读记录
chen_znn的博客
11-05 8750
这篇文章首次全面回顾了基于深度学习的活体检测算法的最新研究进展。
【今日CV 计算机视觉论文速览 第144期】Wed, 17 Jul 2019
TomRen
07-21 6840
第144期 视觉论文速览 --残差金字塔深度估计 --通道，空间特征提升模块 --感知评价 --动作数据集Kinetics-700 --细粒度食物数据集Foodx-251 --场景文字合成渲染
论文阅读笔记--Monocular Human Pose Estimation: A Survey of Deep Learning-based Methods 人体姿态估计综述
weixin_45709671的博客
02-13 6965
趁着寒假有时间，把之前的论文补完，另外做了一点点笔记，也算是对论文的翻译，尝试探索一条适合自己的论文阅读方法。 这篇笔记基本按照原文的格式来，但是有些地方翻译成中文读起来不太顺，因此添加了一些自己的理解。另外，论文中间引用的论文太多了，不太好链接，确实有兴趣的可以直接参考原文。 人体姿态估计综述(Human Pose Estimation) Monocular Human Pose Estimation: A Survey of Deep Learning-based Methods arXiv:2006.
《Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing》论文分享（侵删）
最新发布
DTGshaodow的博客
04-09 683
author={Qingping Zheng and Jiankang Deng and Zheng Zhu and Ying Li and Stefanos Zafeiriou}原文链接：Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing | IEEE Conference Publication | IEEE Xplore摘要 本文探讨了现有人脸分析方法中常见的空间不一致和边界混淆等错误背
深度图像去噪(kinect).rar
11-02
上传文档为Kinect深度图像去噪算法
DDRNet.pytorch:这是用于道路场景的实时和精确语义分割的深度双分辨率网络的非官方代码。 无需使用推断加速和额外数据，即可在城市景观和camvid上实现精度与速度之间的最新权衡
05-09
深度双分辨率网络，可实时，准确地对道路场景进行语义分割 介绍 这是的非官方代码。 在单个2080Ti GPU上，DDRNet-23-slim在109 FPS的Cityscapes测试装置上可产生77.4％的mIoU，从而在城市景观和camvid的精度和速度之间实现了最先进的权衡，而无需使用推理加速和额外的数据！在CamVid测试装置上以230 FPS时有74.4％的mIoU。 该代码主要来自和，感谢他们的工作。 要求 在这里列出了实验中使用的软件和硬件 pytorch == 1.7.0 3080 * 2 cuda == 11.1 快速开始 0.数据准备 您需要下载数据集。 并重命名cityscapes文件夹，然后将数据放在data文件夹下。 └── data ├── cityscapes └── list 1.预训练模型 从imagenet上下载预训练模型或从那里下载分割模
DDRNet:正式实现“深度双分辨率网络，实时，准确地对道路场景进行语义分割”
05-15
正式实现“深度双分辨率网络，实时，准确地对道路场景进行语义分割” 在不使用推理加速（例如tensorRT）和额外数据（例如Mapillary）的情况下，在城市景观和camvid上实现精度和速度之间的最新权衡！ 我们方法的整体架构。 “深度聚合金字塔合并模块（DAPPM）”的详细信息。 用法 当前，此存储库包含用于分类和语义分段的模型代码和预训练模型。 您可以参考或直接使用在本地训练和测试我们的模型。 感谢他们的工作！ 我们稍后将发布整个火车和测试代码。 注意 您应该采用一些基本的训练技巧来重现我们的结果，包括班级平衡样本，ohem，作物大小为1024x1024。 可以在找到更多详细信息。 相同模型的Cityscapes val结果通常会有一些差异，可能约为1％mIoU。 如果您想直接使用我们的预训练模型进行评估，请在所有位置保持“ align_corners = False”。
多任务级联卷积神经网络（MTCNN）
weixin_43156294的博客
12-03 1465
Multi Task Cascaded Convolutional Networks（MTCNN）是一种多任务的级联卷积神经网络，它同时处理人脸检测、面部关键点定位和人脸姿态估计三个任务。由于MTCNN在人脸检测和面部关键点定位方面的高精度和较好的性能，它被广泛应用于各种需要人脸处理的应用中，如人脸识别门禁系统、社交平台的人脸特效（如添加滤镜、美颜等）、视频会议软件中的人脸跟踪等。在直播软件中，MTCNN可以实时检测主播的人脸，为后续的美颜、特效添加等操作提供基础。
[论文笔记]DDRNet
Lxp_CC的博客
05-16 2877
Abstract DDRNet由两个深度分支组成，在这两个分支之间执行多次双边融合 上下文提取器Deep Aggregation Pyramid Pooling Module (DAPPM)扩大有效感受域，并基于低分辨率特征映射融合多尺度上下文 精度高且轻量 Introduction Bisenet提出了一种由空间路径和上下文路径组成的新型双边网络，空间路径利用三个相对较宽的3×3卷积层来捕获空间细节，上下文路径是一个小型的预训练backbone，用于提取上下文信息
【论文阅读--实时语义分割】DDRNet：Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation
magic_ll的博客
03-03 9284
用于道路场景实时准确语义分割的深度双分辨率网络 摘要 语义分割是自动驾驶汽车理解周围场景的关键技术。现代模型的吸引力表现通常是以繁重的计算和漫长的推理时间为代价的，这对于自动驾驶来说是无法忍受的。使用轻量级架构（编码器-解码器或双通道）或对低分辨率图像进行推理，最近的方法实现了非常快速的场景解析，甚至在单个1080Ti GPU上以超过100fps的速度运行。然而，这些实时方法与基于dilation backbones的模型在性能上仍有很大差距。为了解决这个问题，我们提出了一系列专门为实时语义分割设计的高效主
级联R-CNN 思路
weixin_42108090的博客
11-27 760
IoU阈值的选择： 横轴：RPN生成的RoI和真值框的IoU； 纵轴：经过第二阶段BBox head得到的新的box和真值框的IoU； 线条：使用不同IoU阈值筛选候选框训练出来的模型。 不同能力的球员用不同能力的教练教。 ...
DDRNet论文笔记
weixin_46460816的博客
05-03 1128
DDRNet，轻量化网络
深度学习（十八）级联网络（2）
QuinnHanz的博客
06-16 5197
sorry,笔记正在上传。。。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值