用于连续模型生成的并发外推与内插网络
计算机视觉与模式识别
2020-01-14 v1
摘要
大多数深度图像平滑算子在不同显式结构-纹理对被用作不同参数配置下各算法的标签图像时，总是重复训练。这种训练策略通常耗时漫长且以高昂方式耗费设备资源。为解决这一挑战性问题，我们将连续网络内插推广为更强大的模型生成工具，进而提出一种简单而有效的模型生成策略，以形成仅需一组特定效果标签图像的模型序列。为精确学习图像平滑算子，我们提出一种双态聚合（DSA）模块，其可轻松插入当前大多数网络架构中。基于该模块，我们设计了一种具有局部特征聚合块和非局部特征聚合块的双态聚合神经网络结构，以获得具有大表达容量的算子。通过大量客观与视觉实验结果的评估，我们表明所提方法能够生成一系列连续模型，并在图像平滑上取得优于几种最先进（state-of-the-art）方法的性能。
引用
@article{arxiv.2001.03847,
title = {Concurrently Extrapolating and Interpolating Networks for Continuous Model Generation},
author = {Lijun Zhao and Jinjing Zhang and Fan Zhang and Anhong Wang and Huihui Bai and Yao Zhao},
journal= {arXiv preprint arXiv:2001.03847},
year = {2020}
}
备注
13 pages, 9 figures