【ACMMM 2022】Learning Hierarchical Dynamics with Spatial Adjacency for Image Enhancement
【ACMMM 2022】Learning Hierarchical Dynamics with Spatial Adjacency for Image Enhancement
代码:https://github.com/DongLiangSXU/HDM
该论文的研究动机:近年来动态网络非常流行,因此作者引入了 channel-spatial-level,structure-level 和 region-level 的动态机制用于图像增强。具体来说:
- channel-spatial-level:使用了 CBAM 注意力机制
- structure-level:使用了 Deformable convolution
- region-level:使用了 CVPR2021的Dynamic Region-Aware Convolution(DRConv)的思想,把图像分割为多个区域,然后不同区域使用不同的卷积核处理。不同的是,在进行区域分割时,使用 暗通道 特征,直接用域值分割来得到5个区域。
CBAM 和 Deformable conv 比较经典了,这里不再回顾,只简单回顾下 DRConv,其结构如下图所示,使用卷积生成m个feature map,每个位置就有m个数值,直接用 argmax() 即可以得到最大值的index,这样就可以分割为m个区域。接着使用动态卷积的思路,就可以对各个区域使用不同的卷积核处理(详细可以参考以前的解析)
因为 argmax 不可以反向传播,还需要使用 gamble-softmax 神器来优化。为了避免这个问题,这个论文使用了暗通道( Dark channel prior, DCP)来直接分割得到各个区域。感兴趣的可以阅读何恺明大神CVPR2009的Single Image Haze Removal Using Dark Channel Prior。统计发现,对于无模糊的自然图像,RGB各个通道的最小值形成一个暗通道,近似为零。
该方法的整体架构如上图所示,总体是 UNet 结构,只不过中间串行了上述三个动态模块。同时,skip connection 还使用了Mixup。不过,和分类中使用的 Mixup 有一定区别,该思想来自于论文:Contrastive Learning for Compact Single Image Dehazing,如下图所示,UNet 的skip connection 一般是直接相加,但 Mixup 的思想是加入一个参数来自适应的调节特征输入的权重。
实验方面,作者在图像去雾、图像去雨、弱光增强三个任务上进行了实验,均取得了非常好的性能。这里提一下 ablation study,作者调节了三个动态模块的顺序,发现论文中的顺序是最合理的,解释是:从像素到语义的安排会更合理 (the importance of local to global philosophy)。此外,作者还研究了使用 暗通道 和 DRConv 的区别。
其它实验可以参考作者论文,这里不再多说。
【ACMMM 2022】Learning Hierarchical Dynamics with Spatial Adjacency for Image Enhancement相关推荐
- 【ACMMM 2022】Depth-inspired Label Mining for Unsupervised RGB-D Salient Object Detection
[ACMMM 2022]Depth-inspired Label Mining for Unsupervised RGB-D Salient Object Detection 代码:https://g ...
- 【论文笔记】Learning Enriched Features for Real Image Restoration and Enhancement
Learning Enriched Features for Real Image Restoration and Enhancement Abstract Contribution Method(M ...
- 【图像Restoration】Learning Enriched Features for Real Image Restoration and Enhancement
论文地址:https://arxiv.org/pdf/2003.06792.pdfhttps://arxiv.org/pdf/2003.06792.pdf 代码地址:https://github.co ...
- 【IJCV 2022】RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds Deep Learning
文章目录 研究旋转不变就从这里开始吧. [3DV 2019]Rotation Invariant Convolutions for 3D Point Clouds Deep Learning [IJC ...
- 【论文阅读】Learning Traffic as Images: A Deep Convolutional ... [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络](1)
[论文阅读]Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation ...
- 【论文笔记】Learning Synergies between Pushing and Grasping with Self-supervised Deep Reinforcement Learn
文章目录 [论文笔记] Learning Synergies between Pushing and Grasping with Self-supervised Deep Reinforcement ...
- 【论文阅读】Learning Traffic as Images: A Deep Convolutional ... [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络](2)
[论文阅读]Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation ...
- 【论文阅读】Learning Spatiotemporal Features with 3D Convolutional Networks
[论文阅读]Learning Spatiotemporal Features with 3D Convolutional Networks 这是一篇15年ICCV的论文,本篇论文提出的C3D卷积网络是 ...
- 【论文阅读】Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks
[论文阅读]Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks 虽然这是一篇17年ICCV的论文,但是这篇 ...
最新文章
- python绘制动态模拟图-Python 模拟生成动态产生验证码图片的方法
- 设计模式-由浅到深的单例模式
- ITK:复制复合变换CompositeTransform
- JSON Web Token (JWT),服务端信息传输安全解决方案
- java 工作6年 面试_为什么不想搞Java了,6年经验去面试5分钟结束,现在Java面试为何这么难...
- 科研必备学士搜索引擎推荐
- 波卡跨链交易协议RAI Finance将接入Bounce Finance实现IDO代币发行
- Python BFS 提取二值图联通域
- What is DevOps?
- 量产软件测试培训,U盘量产及在虚拟机中测试
- 计算机扫描服务开启,扫描系统(window怎么开启扫描服务)
- hdu2825(状压dp+AC自动机)
- 【随文杂想】超长图PS 切片为打印机 A4纸大小打印
- win10计算机设备感叹号,win10网络适配器出现感叹号的解决方法
- 编程java好学吗,java初级编程好学吗
- Python argparse.ArgumentParser的add_argument()用法
- Android开发(四):在标题栏右上角实现菜单(三个点)
- Excel在数字单元格后面怎么添加统一的内容(数字或其他内容)
- 计算机怎样格式u盘,win10系统电脑怎么操作把u盘格式化为fat32格式?
- 使用Godaddy续费我的域名时遇到支付问题