illumination-aware age progression -> flow and illumination

最新推荐文章于 2025-08-05 22:18:18 发布
原创 最新推荐文章于 2025-08-05 22:18:18 发布 · 875 阅读 · 0 ·
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：

#算法 #人脸

本文介绍了一种人脸老化算法，通过将不同年龄段的人脸特征应用于目标人脸来生成其老化序列。文中还探讨了如何调整光照以提高合成图像的质量，包括直接叠加、表情和姿势调整及光照优化等方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这篇文章介绍根据不同年龄段的平均人脸做差应用到目标人脸上，生成老化人脸序列算法。


其中介绍了一种调整光照的方法。


第一行是直接把该年龄段所有人脸叠加

第二行是先把所有人脸根据flow调整表情和姿势，再叠加，效果就会好很多，也会清晰很多。然而缺点是：光照并不均匀

第三行和第四行是使用文中提到的调整光照的方法（求最优化）。由于电脑内存问题，并不能按照文中的方法实现，改变了一点点，然而出来的就像是京剧脸谱一样的东西。。额


（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3947
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
Illumination-Aware Age Progression
Meteor的笔记
10-13 261
基于光照感知的年龄增长技术 作者使用了一种全新的技术，在基于数万张同一年龄段人群照片的基础上，构建出“年龄模板”。通过对input的儿童或青少年照片进行处理，做出年龄预测。 What will a child look like in 20 years? ...
依据光照强度对多光谱行人进行检测：Illumination-aware Faster R-CNN for Robust Multispectral Pedestrian Detection
quanwei的博客
01-15 2050
文章目录论文主要贡献六种不同数据源融合方式(a) Input Fusion(b) Early Fusion(c) Halfway Fusion(d) Late Fusion(e) Score fusion I(f) Score fusion II结果对比历史工作 论文主要贡献 深入比较了6种不同的卷积网络融合架构，并分析了它们的适应性，使得一个普通的架构能够获得与最先进的结果相当的检测性能。进一步，我们发现从彩色或热图像行人检测信心与照明条件相关。考虑到这一点，我们提出一个光照感知更快的R-CNN (IAF
Illumination-aware Faster R-CNN for Robust Multispectral Pedestrian Detection
低吟浅笑
12-11 1539
Pattern Recognition（CCF B） 引用量：65 2018/03/01 浙江大学 贡献:主要提出了illumination-aware weighting mechanism，根据光照强度对two steams 进行融合（ECCV2020的那个光照感知模块就是来自这篇文章，Improving Multispectral Pedestrian Detection by Addressing Modality Imbalanece Problems...
[Matlab]科研中的心得（updating）
DSbatigol的专栏
09-22 2019
1.如果要验证一条定理是否，就使用符号化的变量，计算会很慢。如果要
比较有意思的cvpr文章
sherry_gp的博客
01-17 680
1. Adaptive Color Attributes for Real-Time Visual Tracking (PDF, project, code) 2. BING: Binarized Normed Gradients for Objectness Estimation at 300fps (project,PDF,code,slides) 3. Realtime and Ro
（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）
Jojo论文基地
08-28 7583
CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
denghe优快云的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
CVPR papers
热门推荐
stereohomology
04-01 3万+
http://www.cvpapers.com/cvpr2014.html CVPR 2014 papers on the web  Home  Changelog  Forum  RSS  Twitter To add your links (paper, project,...) you can use the online tool or send an
CVPR 2014 papers
GarfieldEr007的专栏
07-21 1万+
Accepted Orals Reconstructing Storyline Graphs for Image Recommendation from Web Community Photos (project, PDF)Gunhee Kim* (Disney Research), Eric Xing (Carnegie Mellon University)Unsupervised O
【光照感知子场：差分感知融合模块与中间融合策略相结合】
weixin_43690932的博客
12-10 2140
仅供自己参考
Vray的全局照明(Global Illumination)算法原理与比较(图文)
weixin_30731305的博客
08-27 675
Vray的全局照明(Global Illumination)算法原理与比较(图文)引言即使沒有經過實際統計 但毫無疑問地Vray是國內最多人使用的渲染器。 有些人會說那是因為Vray是最容易學、最簡單的渲染。其實根本不是，Vray是在MentalRay、FinalRender、Brazil、Maxwell…等眾多渲染器中最複雜的渲染器，原因很簡單，因為它除了一般常見的渲染引擎Qusi ...
人脸美化随笔2——美化算法总结
Sun7_She的专栏
04-02 5150
想要站在巨人的肩膀上，首先要找的巨人。我可能是属狗熊的，在玉米地里掰一个扔一个，走到最后发现手里神马也木有。最近终于决定做一个现代化的狗熊，将这些玉米串起来打包带走，虽然并不知道这和现代化有神马关系，但是这不重要。 重要的是！我的移动硬盘坏了，所有资料瞬间清空，所以我发现硬件略不靠谱啊，写在网上的才是真爱~相信优快云会越办越好（——深情脸——） 1. 对人脸美丽评分，SVR拟合（特征
经典光照模型（illumination model）
miaobeihai的博客
01-17 2万+
光照模型（ illumination model ），也称为明暗模型，用于计算物体某点处的光强（颜色值）。从算法理论基础而言，光照模型分为两类：一种是基于物理理论的，另一种是基于经验模型的。基于物理理论的光照模型，偏重于使用物理的度量和统计方法，比较典型的有 ward BRDF 模型，其中的不少参数是需要仪器测量的，使用这种光照模型的好处是 “ 效果非常真实 ” ，但是 “ 计算复杂，实现起来也较...
2019PR之RGBT行人检测：Illumination-aware faster R-CNN for robust multispectral pedestrian detection
makabaka的博客
11-06 1573
Illumination-aware faster R-CNN for robust multispectral pedestrian detection 简述： 本文发现从RGB或T图像行人检测结果与照明条件相关。考虑到这一点，提出了IAF R-CNN网络。具体地说，首先引入了光照感知网络来给出输入图像的光照度量。然后，我们通过一个定义在光照值上的门函数自适应地合并RGB和T的子网络。 左图为光照条件较好的情况下经过门函数后的带权结果，右图为光照条件不好的情况下经过门函数后的带权结果。 模型： 1，本文
灰色优选模型及算法MATLAB代码
最新发布
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
08-05 430
灰色优选模型及算法MATLAB代码
``` torch.norm(illumination - max_rgb, 1)```什么意思
03-20
<think>嗯，用户问的是`torch.norm(illumination - max_rgb, 1)`这个PyTorch表达式的意思。首先，我需要分解这个表达式的各个部分，然后逐步解释。 首先，`illumination`和`max_rgb`应该是两个张量。可能代表图像中的光照分量和RGB通道的最大值。它们的形状应该相同，或者可以广播到一起。 接下来是`illumination - max_rgb`，这部分是两个张量相减。结果是一个新的张量，每个元素是对应位置上的差值。 然后是`torch.norm`，这是计算张量的范数。第二个参数`1`指定了使用L1范数，也就是曼哈顿范数。L1范数是所有元素绝对值之和。 综合起来，这个表达式计算的是两个张量差值的L1范数，可能用于衡量它们之间的差异，比如在图像处理中评估光照估计的误差。 需要注意张量的形状是否兼容，以及是否在正确的设备上（比如GPU）。此外，L1范数的结果是一个标量，可能用于损失函数中，作为优化目标的一部分。</think>在PyTorch中，表达式 `torch.norm(illumination - max_rgb, 1)` 的数学意义和执行逻辑可分解为以下步骤： --- ### 1. **张量相减** `illumination - max_rgb` 表示两个张量的逐元素减法： - 假设 `illumination` 和 `max_rgb` 是形状相同的张量（或可通过广播机制对齐形状） - 结果生成一个新张量，其中每个元素为对应位置的差值 --- ### 2. **计算L1范数** `torch.norm(..., 1)` 中的 `1` 表示计算 **L1范数**（曼哈顿范数）： - L1范数的定义为所有元素绝对值的和： $$\text{L1范数} = \sum_{i} |x_i|$$ - 例如：若差值为 `[2, -3, 1]`，则L1范数为 `|2| + |-3| + |1| = 6` --- ### 3. **输出结果** 最终输出一个标量值（scalar），代表两个张量之间的L1距离。 此操作常用于衡量误差（如损失函数中）。 --- ### 典型应用场景 假设在图像处理任务中： - `illumination`: 预测的光照分量（形状为 `[H, W]` 或 `[C, H, W]`） - `max_rgb`: 原始图像的RGB通道最大值（形状需匹配） - 该表达式可量化预测光照与真实值之间的差异 --- ### 注意事项 - **形状匹配**：确保 `illumination` 和 `max_rgb` 可广播或形状一致 - **设备一致性**：两个张量需同在CPU或GPU上 - **梯度保留**：若在计算图中，结果会保留梯度用于反向传播 --- ### 代码示例 ```python import torch # 模拟输入（假设为单通道图像） illumination = torch.tensor([[0.9, 0.2], [0.5, 0.8]]) max_rgb = torch.tensor([[0.8, 0.3], [0.4, 0.7]]) # 计算L1范数 loss = torch.norm(illumination - max_rgb, p=1) print(loss) # 输出：|0.1| + |-0.1| + |0.1| + |0.1| = 0.4 ```
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