用于联合图像滤波的可变形核网络
计算机视觉与模式识别
2020-10-22 v3
摘要
联合图像滤波器用于将作为先验的引导图像中的结构细节迁移到目标图像，应用于提升空间分辨率和抑制噪声等任务。先前基于卷积神经网络（CNN）的方法结合空间不变核的非线性激活来估计结构细节并回归滤波结果。在本文中，我们改为显式地学习稀疏且空间变化的核。我们提出一种 CNN 架构及其高效实现，称为可变形核网络（DKN），其为每个像素自适应地输出邻域集合及相应权重。随后滤波结果计算为加权平均。我们还提出了 DKN 的快速版本，对大小为 640 x 480 的图像运行速度约快十七倍。我们在深度图超采样、显著性图超采样、跨模态图像复原、纹理去除和语义分割任务上展示了我们模型的有效性与灵活性。特别地，我们表明使用稀疏采样的 3 x 3 核的加权平均过程在所有情况下均以显著优势超越当前最优（SOTA）。
引用
@article{arxiv.1910.08373,
title = {Deformable Kernel Networks for Joint Image Filtering},
author = {Beomjun Kim and Jean Ponce and Bumsub Ham},
journal= {arXiv preprint arXiv:1910.08373},
year = {2020}
}
备注
International Journal of Computer Vision (2020). arXiv admin note: substantial text overlap with arXiv:1903.11286