qq_22565865的博客

论文阅读--Cycle-IR（2020）: 深度循环图像重定向摘要1.介绍2.相关工作2.1 传统重定向方法2.2 弱监督图像重定向方法2.3 循环约束3.深度循环图像重定向摘要由于摆脱了手工表示的限制，监督深度学习技术在各个领域都取得了巨大的成功。然而，以往的图像重定向算法大多采用固定的设计原则，如使用梯度图或手工特征计算显著图，这不可避免地限制了其通用性。深度学习技术可能有助于解决这一问题，但具有挑战性的问题是，我们需要建立一个大规模的图像重定向数据集来训练深度重定向模型。然而，建立这样的数据

图像可重定向性摘要1.介绍2.相关工作2.1 图像重定向算法：2.2 图像重定向评估（==这一部分以后可能需要详细阅读==）2.3 图像属性分析3.数据集准备3.1 图像和属性3.2 重定向方法和标注3.3 标签一致性的分析4.可重定向性建模4.1 测量可重定向性4.2 学习和预测可重定向性4.2.1 深度特征4.2.2 学习可重定向性4.2.2.1 二进制属性特征学习4.2.2.2 相对可重定向性学习4.2.2.3 公式和实现摘要本研究引入了图像可重定向性(image retargetability)

有关3D图像重定向性能评估方法1.2017-Wang et.al.缩略图生成[1]1.1 定性分析1.2 定量分析2.2019-MSTGAR[7]2.1 数据集2.2 定性分析2.2.1 缩略图质量2.2.2 深度感知2.3 定量分析3. 2019-SIRQA[13]3.1 数据集3.2 三维图像重定目标的客观质量度量3.2.1 MRT 特征表示3.2.2 VPT特征表示3.2.3 质量评估1.2017-Wang et.al.缩略图生成[1]1.1 定性分析与自身比较的缩略图生成方法：分类

Wang-2017-立体缩略图生成1.介绍2.相关工作3.提出的方法3.1立体显著性检测3.1.1 基于视差和边缘的显著性1.介绍2.相关工作3.提出的方法3.1立体显著性检测3.1.1 基于视差和边缘的显著性边缘组成了一种重要的显著性刺激。作者观察到，视差的边缘可以揭示闭塞边界的位置，这个位置通常也是对应着物体的物理边界。边缘和视差边界提供了补充信息。边缘精确地勾勒出对象轮廓。但是，它们通常过于密集，并且出现在对象内部。相反，由于视差估计中的误差，视差边界通常不覆盖整个对象边界，而

MSTGAR:3D缩略图生成I.介绍II.相关工作III.提出的方法A.深度可控的多尺度缩略图生成1）针对低分辨率图像的视觉模型2）多尺度缩略图生成B.裁剪网络C.裁剪窗口精细化物体能量EObjectE_{Object}EObject​颜色特征能量EColorE_{Color}EColor​边缘特征能量EEdgeE_{Edge}EEdge​总能量IV.实验结果A.数据集B.定性分析1）缩略图质量2）深度感知C.定量分析D. 多重算子的影响E.计算复杂度分析F.局限性I.介绍一个好的立体缩略图应该具有两个

论文信息：作者：Peng Lua, Hao Zhanga, XuJun Pengb, Xiang Penga期刊：Signal Processing: Image Communication任务：图片裁剪年份：2019年全文：PDF主要内容：为了完成图像裁剪任务，提出了一个有美学引导的深度回归网络，使得模型裁剪出来的结果符合人类审美。用于图像裁剪的由美学引导的深度回归网络摘要1.介绍2. 相关工作2.1 基于注意力的裁剪2.2 基于美学的裁剪2.3 综合性裁剪3. 提出的方法3.1 动机与系

论文信息：作者：Jiansheng Chen Gaocheng Bai Shaoheng Liang Zhengqin Li（清华大学）期刊：CVPR任务：图片裁剪年份：2016年全文：PDF主要内容：提出一种低复杂度的算法，能够在图片裁剪任务中，满足最大化重要信息和最小化裁剪面积的要求论文笔记--Automatic Image Cropping : A Computational Complexity Study摘要1.介绍1.1相关工作1.2 动机2.问题的公式3.算法与分析3.1

作者：Anthony Santella，Maneesh Agrawala，Doug DeCarlo，David Salesin，Michael Cohen全文：PDF交互式裁剪系统1.摘要2.介绍3.背景及相关工作4.交互式的裁剪过程4.1 分割4.2 识别重要内容4.3提取完整的物体4.4建立目标函数并优化4.4.1 包含主体4.4.2 避免穿过背景物体4.4.3 内容区域最大化4.4.4 重要内容的放置4.4.5 构建目标函数4.4.6 性能与优化5.结果5.1 眼球追踪过程5.2 在实际任务中的眼