AI 算法笔记

本文提出了 BokehMe，这是一个混合的虚化渲染框架，将神经渲染器与经典的物理驱动渲染器结合在一起。给定单个图像和可能不完美的视差图，BokehMe 可以生成具有可调节的模糊大小、焦平面和光圈形状的高分辨率照片般逼真的虚化效果。为此，本文分析了经典的基于散射的方法的误差，并推导出计算误差图的公式。基于这个公式，通过基于散射的方法实现了经典渲染器，并提出了一种两阶段神经渲染器来修复经典渲染器中的错误区域。神经渲染器采用动态多尺度方案来有效处理任意模糊大小，并经过训练以处理不完美的视差输入。

论文链接：https://openaccess.thecvf.com/content/CVPR2021/papers/Jia_Leveraging_Line-Point_Consistence_To_Preserve_Structures_for_Wide_Parallax_Image_CVPR_2021_paper.pdf代码链接：https://github.com/dut-media-lab/Image-Stitching摘要生成具有自然结构的高质量拼接图像是计算机视觉中的一项具有挑战性的任务。

如何解决单应性估计在低纹理和低重叠率场景效果不理想的问题？本文提出一种基于上下文相关性的多网格单应性估计方法来解决这两种问题

目前图像拼接后会产生不规则的边界，常用的较好解决方法是图像矩形化，本文是基于图像矩形做的修改，速度更快，效果更好

这是公众号的第 16 篇原创文章，本文大约 10000 字，阅读大约需要 30 分钟论文地址：https://proceedings.neurips.cc/paper/2020/file/b4b758962f17808746e9bb832a6fa4b8-Paper.pdfGithub：https://github.com/facebookresearch/NSVF摘要使用经典计算机图形技术对真实世界场景进行逼真的自由视角渲染具有挑战性，因为它需要捕获详细外观和几何模型

这是公众号的第 15 篇原创文章，本文大约 5500 字，阅读大约需要 15 分钟论文：《A Quantization-Friendly Separable Convolution for MobileNets》论文地址：https://arxiv.org/pdf/1803.08607.pdf这篇是高通在 2018 年发表的一篇论文，主要是针对在量化方面效果很差的 MobileNetV1 网络进行研究，探索其量化掉点很严重的原因（从浮点模型的 70

论文：《Focal Loss for Dense Object Detection》论文地址：https://arxiv.org/abs/1708.02002代码地址：官方 github：https://github.com/facebookresearch/detectrontensorflow：https://github.com/tensorflow/modelshttps://github.com/fizyr/keras-retinanethttps://github.com/yhe.

论文：《Learning Similarity Conditions Without Explicit Supervision》论文地址：https://arxiv.org/pdf/1908.08589.pdf代码地址：https://github.com/rxtan2/Learning-Similarity-Conditions本文首发于 https://mp.weixin.qq.com/s/WHnYNvWWkPmqh1HrytCHqg联系方式：Github：https://github.c

Outfit Compatibility Prediction and Diagnosis with Multi-Layered Comparison Network论文题目：Outfit Compatibility Prediction and Diagnosis with Multi-Layered Comparison Network论文地址：https://arxiv.org/abs/1907.11496代码：https://github.com/WangXin93/fashion_compa

论文：《Learning Fashion Compatibility with Bidirectional LSTMs》论文地址：https://arxiv.org/abs/1707.05691代码地址：https://github.com/xthan/polyvore1. 简介时尚搭配推荐的需求越来越大，本文是基于两个方面的时尚推荐：给定已有的服饰，推荐一件空缺的衣服，从而形成一套搭配，即在已经有上衣、裤子的情况下推荐一双鞋子；根据多种形式的输入，比如文本或者一件衣服图片，生成一套搭配；

最近在阅读几篇基于CNN的增量学习的论文。《INCREMENTAL LEARNING WITH PRE-TRAINED CONVOLUTIONAL NEURAL NETWORKS AND BINARY ASSOCIATIVE MEMORIES》09-19 阅读第一篇论文是《INCREMENTAL LEARNING WITH PRE-TRAINED CONVOLUTIONAL NEURAL NETWO

这篇文章是来自悉尼科技大学Shaoli Huang等人的工作，与前两篇文章的出发点类似，本篇文章也是在Parts上寻找Fine-Grained的线索，但与前两篇文章相比，在框架中人工的参与更少。

这次阅读的文章是Picking Deep Filter Responses for Fine-grained Image Recognition，这篇文章是来自上海交通大学Xiaopeng Zhang等人的工作，该文章提出了一种对深度网络中的filter进行挑选的方法，基于挑选的filter的结果构建复杂特征表达。

这是阅读《Fine-grained Image Classification by Exploring Bipartite-Graph Labels》这篇论文所做的笔记。这篇论文是来自NEC实验室，是一篇有关细粒度分类/精细分类方面的论文。

这篇文章是来自罗格斯大学的Han Zhang等人的工作。由题目可知与上一篇文章一样，本文的作者也关注到了富有语义的局部(利用Part，Part，Part，重要事情强调三遍)，作者不满足于CUB-2011数据库提供的head和body的定位结果，提出了small semantic parts 生成的方法。论文中使用的网络分为两个子网络，一个用于检测，一个用于分类。