剑客
关注科技互联网

【论文笔记】光流算法、超分辨率方法

【论文笔记】光流算法、超分辨率方法

【论文笔记】光流算法、超分辨率方法

【1】Kemelmacher-Shlizerman I, Seitz S M. Collection flow[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 1792-1799.

计算一对人脸图像(I,J)之间的光流,容易受到光照、姿态以及其它变化的影响。作者通过一批相同人脸的多张图片集,将待计算的人脸进行表情和姿态的规整,得到 I′, J′。通过这四者的关系,得到更加精确的光流计算结果:(I→I′)∘(J′→J).

PS: 我对光流算法不太了解,但是对其中提到的表情和姿态的规整比较感兴趣。这种算法需要预先收集大量的与测试图片相同的人脸图片来作为规整的依据,应该可以放松条件,找到相似人脸图片即可(Wang W, Cui Z, Yan Y, et al. Recurrent Face Aging[J] 这篇文章进一步发展了这样的规整方法)。

【论文笔记】光流算法、超分辨率方法

【2】Shi W, Caballero J, Huszár F, et al. Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 1874-1883.

本篇文章了提出了一种新型的CNN框架,用于实现在低分辨率的图像上提取特征并进行超分辨处理。而之前的超分辨方法需将低分辨率图像上采样至高分辨率图像的尺寸,再使用滤波器进行双线性插值,这种方式容易陷入局部最优且计算量较大。本篇文章提出了一种叫做 sub-pixel convolution layer,它可以学习一组而不是一个上采样滤波器,从低分辨率的特征图得到高分辨率图像。这种方法既取得比之前方法更好的效果,处理速度也比之前基于CNN的超分辨率方法更快。

【论文笔记】光流算法、超分辨率方法
【论文笔记】光流算法、超分辨率方法

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址