本文探讨了图像的重新表征，从传统的RGB和YUV等格式到神经网络提供的新视角。通过将图像建模为采样数量-数值-位置标签格式，作者提出了一种使用Invertible Neural Networks的方法，避免了希尔伯特曲线的使用。文章讨论了颜色点云的概念，并对比了常规图像和颜色点云的采样准确性。作者还提出了在演化型训练中智能体自我产生梯度的可能性，以及对新型卷积结构的需求，以适应非常规图像的处理。
将图像重新表征-神经网络给予的新视角
什么是图像？什么是颜色？
0
我们从纯常规图像，RGB，YUV，光谱，等等 C H W（一个tensor） 格式
从面向 通道-2D数组 格式
进阶到面向 2D位置-信号 格式
xy->rgb（x,y∈Z+，rgb∈[0,255]）
重新建模了图像，带上实际信息
Pos + Signal（H*W个tensor 并且需pair）
再到此文（主要讲的）的颜色空间
面向 采样数量-数值-位置标签 格式 (rgb->xy)
Num Signal Pos（一个tensor）
从分量视角：X+color_1->Y+color_2，刚好Invertible-Neural-Networks可以做到
我们为什么不用一个坐标分量去预测color分量？，实际数据任然是(X,Y)+color做监督损失
这样建模好处在连hilbert-curve都不用
而且图像似乎本身就有个特点，两个分量XY,UV,θφ
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
