- 博客(9)
- 收藏
- 关注
RSS订阅原创 CVPR2023_Guiding Pseudo-labels with Uncertainty Estimation for Source-free Unsupervised Domain论文阅读_7
本文的思想认为，一个网络的预测，随着网络的训练过程是会改变了，其在过去T个时间内，总有一次是预测正确的，应此，本文对于负样本对的排除提供了改进方法，主要两个网络的预测结果中，在过去时间T内，有任意一个结果与另一网络过去T时间内结果相同，即将该目标排除在负样本对以外。方法利用求取到的伪标签进行损失函数的计算，但是求取到的伪标签具有一定的不准确性，传统方法对所有的结果取相同的损失权重，但是本文针对此问题进行了优化。为此，仅需要对熵值较低的目标设置较高的损失权重，而对于熵值是较高的目标设置较低的损失权重。
2023-09-30 19:41:16
445
1
原创 CVPR2023_Zero-shot Generative Model Adaptation via Image-specific Prompt Learning 论文阅读记录_6
对于缺乏先验知识的目标域而言，其可以贡献原域与目标域学习到的Prompt，但是这样会导致一个问题，即有些在原始域中适合的属性，但是在目标域中不那么适合，即对于“Human”域 “round ear”属性是合适的，但是对于“Tolkien elf”是较为不合适的。本文是个根据StyleGAN-NADA进行改进，以往的方法通过人为设置Prompt，其对于多张图像存在相同的Prompt，而所提出的方法，可针对不同图像设置了不同的Prompt。,Vm}，然后在结合一个域标签Y_s生成最终的Prompt M_i。
2023-09-29 23:54:17
404
1
原创 ECCV2022_Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution论文阅读记录_5
方法首先预先定义大量的下采样策略，利用下采样策略来尽量拟合真实下采样效果，下采样方法用V表示，输入高清图像Y首先利用V进行下采样处理生成x，之后将x输入到P网络中，对下采样方法V进行预测，生成v_，之后在将v_输入到A中生成，预测生成参数权重a，网络引入了专家网络的思想，其包含多个子网络，其中子网络具有相同的网络结构（作者的思想是：每个子网络对应一种下采样方法，这样是的方法是术业有专攻，可以针对不同的缺陷一对一解决），而获得的参数权重a则是用来选择哪个子网络进行解决。
2023-09-28 21:51:28
278
1
原创 TMM22_Real-World Image Super-Resolution by Exclusionary Dual-Learning_论文阅读记录
方法首先利用滑动窗口的思想，对所有图像进行分块，然后分别计算每一个图像块的均值与方差，然后对其进行排序，从大到小，选取其数值排在最后2%的块，记录分界线为Th，当作噪声池。此外，后2%的图像区域平滑，作者认为噪声会在光滑图像上给予凸显，而那些具有较多纹理的图像，由于其中包含大量的纹理信息，其纹理信息可能会掩盖掉其中的噪声。另外一个问题就是，感觉不能这样直接提取噪声图像，我认为复杂场景的噪声不会被掩盖把，而且和少纹理的图像块，可能具有不同的噪声分布？只不过最终的网络输入LR图像还为加上刚才提取的噪声。
2023-09-25 20:33:42
176
1
原创 CVPR2023_Guided Depth Super-Resolution by Deep Anisotropic Diffusion 论文阅读记录_4
网络模型的上下文推理能力可以增强扩散模型的边缘增强特性。调整步骤使得生成的图像与原始图像类似。
2023-09-12 22:22:57
355
1
原创 ICCV2023_Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution 论文阅读记录_3
SAFM网络的整体结构图如下图的左小图所示，其首先在通道维度对输入的特征进行拆分，拆分成4小份，然后再分别传入adaptive-maxpooling 层中，其中下采样层具有不同的下采样率，分别为0，2，4，8。CCM的架构如上图的右部分，就是由一个3X3、1X1的卷积和一个GELU激活层构成，其中3X3首先将输入的特征通道上升到两倍，之后1X1卷积再将特征通道下降到与输入相同。其中每个FMM模块由一个SAFM与CCM模块构成，即本文的创新点所在。去掉SAFM的影响以及去掉CCM的影响。
2023-09-11 10:27:19
815
1
原创 CVPR2022_Learning Graph Regularisation for Guided Super-Resolution论文阅读记录_2
这篇文章主要是设计了一个正则化项，使得网络的超分辨率效果更好（即超分的结果更为平滑）。
2023-09-10 21:30:43
209
1
原创 CVPR2023_N-Gram in Swin Transformers for Efficient Lightweight Image Super-Resolution 论文阅读记录_1
N-Gram的概念已经出现在语言模型中，其主要就是将目标词语的前后词语当作辅助信息输入即可。而图像中的N-Gram概念与其类似。问题A：如图二的h所示，红色方框的特征与邻居特征具有较为明显的不同，从而导致（e）红色方框中出现了失真现象。问题B：如图（f、g），红色方框与邻居方框色彩有着较为明显的不同，说明网络在推理时没有利用到邻居特征。3. 利用一个卷积网络将Forward-Gram与Backward-Gram进行融合。4. 将融合后的Gram作为偏置项添加到原始输入的特征中。引入N-Gram的消融实验。
2023-09-09 16:07:28
1368
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人