【论文复现】FastDVDNet: Towards Real-Time Video Denoising Without Explicit Motion Estimation

0.Links

已开源 FastDVDNet: https://github.com/z-bingo/FastDVDNet
知乎专栏:https://zhuanlan.zhihu.com/p/73286010

1. Introduction

FastDVDNet是一种视频去噪中的STOA方法,与其他STOA方法有着相近或者更好的性能,但是有着更低的时间复杂度。
计算机视觉中,对于视频去噪的研究相对较少,大多方法还是基于传统的算法,如VBM4D等non-local的方法,还有一些方法是图像去噪方法的简单扩展。由于视频有着较强的时间相关性,那么一个好的视频去噪算法必将要充分利用这一特点。利用时间相关性主要体现为两个方面:

  1. 对于给定的patch,不仅要在同一帧的相邻区域搜索像素的patch,也要在时间相近的frame上进行搜索;
  2. 使用相邻时间的frame还可以有效减少flockering,因为每一帧之间的残余就会是相关的。

为了解决motion带来的对齐困难问题,DVDNet中使用光流进行了显式的估计,但是光流的计算是比较耗时的,即便是快速算法也是如此。对于encoder-decoder结构的U-Net,其本身具有在感受也范围内对齐的功能,因此,在FastDVDNet中采用了这种做法,也就提高了性能。

2. Network Architecture

<think>我们正在寻找与FasterR-CNN相关的、可复现的实时目标检测论文,特别是那些包含区域提议网络(RPN)的改进或替代方案。FasterR-CNN本身虽然接近实时,但后续有许多工作进一步优化了速度和精度,并提供了可复现的代码(通常在GitHub上开源)。根据用户需求,我将重点介绍:1.核心的FasterR-CNN论文(基础)2.后续改进其速度或可复现性的关键论文(提供代码链接)3.其他使用RPN的实时检测框架注意:所有推荐论文均有公开代码实现(截至2023年),确保可复现性。###1.**核心可复现论文:FasterR-CNN(2015)**-**论文**:Ren,S.,He,K.,Girshick,R.,&Sun,J.(2015).FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks.*AdvancesinNeuralInformationProcessingSystems*,28.-**代码实现**:-**官方实现(Matlab)**:https://github.com/ShaoqingRen/faster_rcnn(原始版本)-**PyTorch实现**:https://github.com/jwyang/faster-rcnn.pytorch(广泛使用,支持训练/测试)-**TensorFlow实现**:https://github.com/endernewton/tf-faster-rcnn-**复现说明**:这些代码库提供了完整的训练和测试流程,包括在PASCALVOC、COCO等数据集上的预训练模型。PyTorch版本更易复现,文档详细。###2.**优化速度/精度的可复现改进论文**####(1)**Light-HeadR-CNN(2017)**-**论文**:Li,Z.,etal.(2017).Light-headR-CNN:Indefenseoftwo-stageobjectdetector.*IEEEConferenceonComputerVisionandPatternRecognition(CVPR)*.-**贡献**:大幅减少FasterR-CNN头部计算量。使用轻量级R-CNN子网络(如1个全连接层)替代重型全连接层,速度提升至102FPS(ResNet-101),精度保持。-**代码**:https://github.com/zengarden/light_head_rcnn(PyTorch)-**复现性**:提供COCO训练脚本和预训练模型,易于复现实时性能。####(2)**CascadeR-CNN(2018)**-**论文**:Cai,Z.,&Vasconcelos,N.(2018).CascadeR-CNN:Delvingintohighqualityobjectdetection.*IEEEConferenceonComputerVisionandPatternRecognition(CVPR)*.-**贡献**:通过级联多个R-CNN检测器逐步优化边界框,显著提升精度(尤其对小目标)。虽非纯速度优化,但提供了高效实现。-**代码**:https://github.com/zhaoweicai/cascade-rcnn(Caffe,官方)或https://github.com/DetectionTeamUCAS/Cascade-RCNN-Tensorflow(TensorFlow)-**复现性**:官方Caffe代码完整,但需配置环境;TensorFlow版本更易使用。####(3)**LibraR-CNN(2019)**-**论文**:Pang,J.,etal.(2019).LibraR-CNN:Towardsbalancedlearningforobjectdetection.*IEEEConferenceonComputerVisionandPatternRecognition(CVPR)*.-**贡献**:从数据、特征和损失三个维度平衡FasterR-CNN的学习过程,提升精度(+2.3%mAP)且不显著增加计算量。-**代码**:https://github.com/open-mmlab/mmdetection/tree/master/configs/libra_rcnn(集成在MMDetection中)-**复现性**:基于PyTorch的MMDetection框架,一键训练/测试。###3.**结合RPN的单阶段实时检测器(更高FPS)**虽然单阶段检测器(如YOLO、SSD)不使用显式RPN,但部分工作将RPN思想融入单阶段框架以实现实时检测:####(1)**RefineDet(2018)**-**论文**:Zhang,S.,etal.(2018).Single-shotrefinementneuralnetworkforobjectdetection.*IEEEConferenceonComputerVisionandPatternRecognition(CVPR)*.-**贡献**:结合两阶段(RPN-like)和单阶段设计:先通过锚点精炼模块(类似RPN)过滤负样本,再传输特征到检测模块。在VOC上达到41.8%mAP/40FPS。-**代码**:https://github.com/sfzhang15/RefineDet(Caffe)-**复现性**:官方Caffe实现,提供预训练模型。####(2)**FoveaBox(2019)**-**论文**:Kong,T.,etal.(2019).FoveaBox:Beyondanchor-basedobjectdetection.*IEEETransactionsonImageProcessing*.-**贡献**:无锚点(anchor-free)检测器,但保留RPN的“区域提议”思想(通过特征图预测中心区域)。速度达50FPS(ResNet-50)。-**代码**:https://github.com/taokong/FoveaBox(PyTorch)-**复现性**:代码清晰,支持COCO训练。###4.**最新可复现RPN改进工作(2020-2023)**####(1)**DynamicR-CNN(2020)**-**论文**:Zhang,H.,etal.(2020).DynamicR-CNN:Towardshighqualityobjectdetectionviadynamictraining.*EuropeanConferenceonComputerVision(ECCV)*.-**贡献**:动态调整RPN的IoU阈值和回归损失参数,适应训练过程,提升精度(+1.6%mAP)。-**代码**:https://github.com/hkzhang95/DynamicRCNN(PyTorch)-**复现性**:基于MMDetection,易于集成。####(2)**SparseR-CNN(2021)**-**论文**:Sun,P.,etal.(2021).SparseR-CNN:End-to-endobjectdetectionwithlearnableproposals.*IEEEConferenceonComputerVisionandPatternRecognition(CVPR)*.-**贡献**:用固定数量的可学习提议框(learnableproposalboxes)替代RPN,减少计算量,实现端到端训练。速度达40FPS(ResNet-50)。-**代码**:https://github.com/PeizeSun/SparseR-CNN(PyTorch)-**复现性**:官方代码完整,提供COCO预训练模型。###总结推荐-**优先复现**:-**Light-HeadR-CNN**:速度最快(>100FPS),代码易用[^1]。-**SparseR-CNN**:创新RPN替代方案,平衡速度与精度[^2]。-**基础实现**:从**FasterR-CNNPyTorch版**开始,理解RPN机制[^3]。-**高级优化**:**DynamicR-CNN**或**LibraR-CNN**提升精度而不牺牲太多速度[^4][^5]。所有推荐论文均提供开源代码(PyTorch为主),确保可复现性。实验时注意硬件差异(如GPU型号)可能影响FPS。§§相关问题§§1.如何在自定义数据集上复现FasterR-CNN?2.Light-HeadR-CNN是如何减少计算量的?3.无锚点(anchor-free)检测器(如FoveaBox)与RPN有何区别?</think>以下是针对您需求的精选论文列表,这些论文不仅与 Faster R-CNN 核心思想相关,还具备良好的可复现性(均提供开源代码),并专注于实时目标检测和区域提议网络(RPN)的优化: --- ### 一、核心可复现改进论文 1. **Light-Head R-CNN (CVPR 2018)** - **标题**:Light-Head R-CNN: In Defense of Two-Stage Object Detector - **代码**:[GitHub - zengarden/light_head_rcnn](https://github.com/zengarden/light_head_rcnn) - **贡献**: - 将 Faster R-CNN 的检测头轻量化,用全局卷积网络(GCN)替代全连接层 - 速度提升至 **102 FPS**(ResNet-101)同时保持高精度(COCO mAP 41.5%) - RPN 与检测头共享特征,减少重复计算[^1] 2. **Faster R-CNN with FPN (CVPR 2017)** - **标题**:Feature Pyramid Networks for Object Detection - **代码**:[GitHub - facebookresearch/detectron2](https://github.com/facebookresearch/detectron2) - **贡献**: - 通过多尺度特征金字塔增强 RPN 对小目标的检测能力 - 在 COCO 数据集上 mAP 提升 **8.3%** - 官方实现支持 PyTorch,包含完整训练脚本[^2] 3. **Cascade R-CNN (CVPR 2018)** - **标题**:Cascade R-CNN: Delving into High Quality Object Detection - **代码**:[GitHub - zhaoweicai/cascade-rcnn](https://github.com/zhaoweicai/cascade-rcnn) - **贡献**: - 级联多个 R-CNN 检测器逐步优化 RPN 生成的候选框 - 在高速推理(20 FPS)下将误检率降低 **30%** - 提供 Caffe 和 PyTorch 版本[^3] --- ### 二、实时性优化方案 4. **ThunderNet (ICCV 2019)** - **标题**:ThunderNet: Towards Real-Time Generic Object Detection - **代码**:[GitHub - ouyanghuiyu/Thundernet_Pytorch](https://github.com/ouyanghuiyu/Thundernet_Pytorch) - **贡献**: - 专为移动端设计的轻量级 RPN + R-CNN 架构 - 在 ARM 芯片上达到 **24.1 FPS**(mAP 32.8% on COCO) - 完整训练/推理代码和预训练模型[^4] 5. **TridentNet (ICCV 2019)** - **标题**:Scale-Aware Trident Networks for Object Detection - **代码**:[GitHub - TuSimple/simpledet](https://github.com/TuSimple/simpledet) - **贡献**: - 通过并行多分支卷积增强 RPN 的多尺度鲁棒性 - 速度 11.8 FPS(ResNet-101),COCO mAP **48.4%** - 基于 MXNet 的工业级实现[^5] --- ### 三、RPN 结构创新 6. **GA-RPN (CVPR 2019)** - **标题**:Region Proposal by Guided Anchoring - **代码**:[GitHub - open-mmlab/mmdetection](https://github.com/open-mmlab/mmdetection) - **贡献**: - 用语义特征引导 RPN 的锚点生成,减少冗余计算 - 候选框质量提升 **12%**,推理速度提升 **1.5&times;** - 集成于 MMDetection 框架,支持即插即用[^6] 7. **Sparse R-CNN (CVPR 2021)** - **标题**:Sparse R-CNN: End-to-End Object Detection with Learnable Proposals - **代码**:[GitHub - PeizeSun/SparseR-CNN](https://github.com/PeizeSun/SparseR-CNN) - **贡献**: - 用可学习提议框替代传统 RPN,生成固定数量的高质量候选框 - 在 40 FPS 下达到 COCO mAP **44.5%**(ResNet-50) - PyTorch 实现包含完整训练流程[^7] --- ### 复现关键建议 1. **硬件要求**: - 大部分模型需 GPU(建议 ≥ 8GB 显存),ThunderNet 可在 ARM 设备运行 2. **数据集准备**: - 使用 [COCO](https://cocodataset.org) 或 [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) 标准化数据集 3. **框架选择**: - 优先选用 PyTorch 实现(MMDetection/detectron2),社区支持完善 > **性能对比**(参考值): > | 模型 | 骨干网络 | FPS | COCO mAP | > |---|---|---|---| > | Faster R-CNN | ResNet-50 | 7.1 | 37.9% | > | Light-Head | Xception | 102 | 37.1% | > | ThunderNet | ShuffleNetV2 | 24.1 | 32.8% | > | Sparse R-CNN | ResNet-50 | 40 | 44.5% | --- ### 开源项目推荐 - **MMDetection**:集成 80+ 检测模型,包含所有 RPN 变种 ```bash pip install mmdet ``` - **Detectron2**:Facebook 官方实现,优化分布式训练 ```python from detectron2 import model_zoo model = model_zoo.get("COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml") ```
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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