1. Toy模板网首页
  2. > Toy博客

论文阅读《Spherical Space Feature Decomposition for Guided Depth Map Super-Resolution》

7月前 作者：CV科研随想录 分类：Toy博客 阅读(27) 违法举报

这篇具有很好参考价值的文章主要介绍了论文阅读《Spherical Space Feature Decomposition for Guided Depth Map Super-Resolution》。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

论文地址：https://openaccess.thecvf.com/content/ICCV2023/papers/Zhao_Spherical_Space_Feature_Decomposition_for_Guided_Depth_Map_Super-Resolution_ICCV_2023_paper.pdf
源码地址： https://github.com/Zhaozixiang1228/GDSR-SSDNet

概述

  GDSR是一种多模态图像处理的热门话题，它的目的是利用同一场景中的高分辨率（HR）RGB图像中的额外信息来放大低分辨率（LR）深度图。这个任务的关键步骤是有效地提取RGB/深度特征中的域共享和域独有信息。此外，还需要解决三个细节问题，即模糊的边缘，噪声的表面和RGB纹理伪影。为了解决这些问题，文中提出了一种球形空间特征分解网络（SSDNet）。为了更好地建模跨模态特征，使用基于Restormer块的RGB/深度编码器来提取局部-全局特征。然后，将提取的特征映射到球形空间，完成域私有特征的分离和共享特征的对齐。RGB的共享特征与深度特征融合，完成GDSR任务。接下来，作者提出了一个球形对比优化（SCR）模块，进一步解决细节问题。将根据不完美类别分类的小块输入到SCR模块&#文章来源地址https://www.toymoban.com/news/detail-794983.html

到了这里，关于论文阅读《Spherical Space Feature Decomposition for Guided Depth Map Super-Resolution》的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 图像融合论文阅读：LRRNet: A Novel Representation Learning Guided Fusion Network for Infrared and Visible Imag

    图像融合论文阅读：LRRNet: A Novel Representation Learning Guided Fusion Network for Infrared and Visible Imag

    @ARTICLE{10105495, author={Li, Hui and Xu, Tianyang and Wu, Xiao-Jun and Lu, Jiwen and Kittler, Josef}, journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, title={LRRNet: A Novel Representation Learning Guided Fusion Network for Infrared and Visible Images}, year={2023}, volume={45}, number={9}, pages={11040-11052}, doi={10.1109/TPAMI.2

    2024年01月21日
    浏览(39)
  • 《SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection》论文阅读理解

    《SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection》论文阅读理解

    对身体器官的射线扫描结果图片中展示了详细的结构化信息，充分利用这种身体各个部分之间的结构化信息，对检测出身体存在的异常非常重要； 提出了使用空间感知队列来进行图片绘制和检测图片中存在的异常的方法（称为SQUID）； 在两个胸部X射线基准数据集上，本文所

    2024年02月15日
    浏览(28)
  • 论文阅读：SERE: Exploring Feature Self-relation for Self-supervised Transformer

    论文阅读：SERE: Exploring Feature Self-relation for Self-supervised Transformer

    Self-supervised 学习目的是在无人工标注的情况下通过自定制的任务（hand-crafted pretext tasks）学习丰富的表示。 使用 自监督学习 为卷积网络（CNN）学习表示已经被验证对视觉任务有效。作为CNN的一种替代方案， 视觉变换器 （ViT）具有强大的表示能力，具有 空间自注意力和通道

    2024年02月09日
    浏览(27)
  • 跨模态检索论文阅读：(PTP)Position-guided Text Prompt for Vision-Language Pre-training

    跨模态检索论文阅读：(PTP)Position-guided Text Prompt for Vision-Language Pre-training

    (PTP)Position-guided Text Prompt for Vision-Language Pre-training 视觉语言预训练的位置引导文本提示 视觉语言预训练(VLP)已经显示出将图像和文本对统一起来的能力，促进了各种跨模态的学习任务。 然而，我们注意到，VLP模型往往缺乏视觉基础/定位能力，这对许多下游任务如视觉推理至

    2024年02月11日
    浏览(32)
  • 行人重识别优化：Pose-Guided Feature Alignment for Occluded Person Re-Identification

    行人重识别优化：Pose-Guided Feature Alignment for Occluded Person Re-Identification

    文章记录了ICCV2019的一篇优化遮挡行人重识别论文的知识点：Pose-Guided Feature Alignment for Occluded Person Re-Identification 论文地址： https://yu-wu.net/pdf/ICCV2019_Occluded-reID.pdf PCB结构，将特征图F按照垂直方向水平划分为6个part，每个part引入一个分类损失。 从全局特征中提取局部（未遮挡

    2024年02月03日
    浏览(29)
  • 【目标检测论文阅读笔记】FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection

    【目标检测论文阅读笔记】FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection

             由于其固有的特性， 小目标在多次下采样后的特征表示较弱 ，甚至在背景中消失 。 FPN简单的特征拼接  没有充分利用多尺度信息 ， 在信息传递中引入了不相关的上下文 ，进一步降低了小物体的检测性能 。为了解决上述问题，我们提出了简单但有效的 FE-YOLO

    2024年02月07日
    浏览(31)
  • 【论文阅读】Feature Inference Attack on Shapley Values

    【论文阅读】Feature Inference Attack on Shapley Values

    研究背景 近年来，解释性机器学习逐渐成为一个热门的研究领域。解释性机器学习可以帮助我们理解机器学习模型是如何进行预测的，它可以提高模型的可信度和可解释性。Shapley值是一种解释机器学习模型预测结果的方法，它可以计算每个特征对预测结果的贡献程度，从而

    2024年02月15日
    浏览(32)
  • 论文阅读 Stepwise Feature Fusion: Local Guides Global

    论文阅读 Stepwise Feature Fusion: Local Guides Global

    我在找论文时发现，把自己的分割模型命名为ssformer的有两个：，一个论文SSformer: A Lightweight Transformer for Semantic Segmentation中提出的一种轻量级Transformer模型，结构如下 这个结构很简单，就是在用MLP层处理一下不同层的swin transformer block特征，然后融合。 这个没什么太多好说的

    2024年03月16日
    浏览(50)
  • Low-Light Image Enhancement via Stage-Transformer-Guided Network 论文阅读笔记

    Low-Light Image Enhancement via Stage-Transformer-Guided Network 论文阅读笔记

    这是TCSVT 2023年的一篇暗图增强的论文 文章的核心思想是，暗图有多种降质因素，单一stage的model难以实现多降质因素的去除，因此需要一个multi-stage的model，文章中设置了4个stage。同时提出了用预设query向量来代表不同的降质因素，对原图提取的key 和value进行注意力的方法。

    2024年02月16日
    浏览(29)
  • 论文阅读：Feature Refinement to Improve High Resolution Image Inpainting

    论文阅读：Feature Refinement to Improve High Resolution Image Inpainting

    项目地址：https://github.com/geomagical/lama-with-refiner 论文地址：https://arxiv.org/abs/2109.07161 发表时间：2022年6月29日 项目体验地址：https://colab.research.google.com/github/advimman/lama/blob/master/colab/LaMa_inpainting.ipynb#scrollTo=-VZWySTMeGDM 解决了在高分辨率下工作的神经网络的非绘制质量的下降问题

    2024年01月17日
    浏览(29)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包