快速端到端可训练引导滤波
计算机视觉与模式识别
2019-09-26 v2
摘要
密集逐像素图像预测因充分利用全卷积网络（FCNs）的能力而取得进展。FCNs 的一个核心问题是处理联合上采样的能力有限。为解决该问题，我们提出一种用于 FCNs 的新构建模块，即引导滤波层，其设计用于在给定的对应低分辨率图像与高分辨率引导图下高效生成高分辨率输出。该层包含可学习参数，可与 FCNs 集成并通过端到端训练联合优化。为进一步利用端到端训练，我们插入一个可训练的变换函数以生成特定任务的引导图。基于所提层，我们提出一个用于逐像素图像预测的通用框架，称为深度引导滤波网络（DGF）。所提网络在五项图像处理任务上进行了评估。在 MIT-Adobe FiveK Dataset 上的实验表明，DGF 运行速度快 10-100 倍并达到最先进（state-of-the-art）性能。我们还展示了 DGF 有助于提升多项计算机视觉任务的性能。
引用
@article{arxiv.1803.05619,
title = {Fast End-to-End Trainable Guided Filter},
author = {Huikai Wu and Shuai Zheng and Junge Zhang and Kaiqi Huang},
journal= {arXiv preprint arXiv:1803.05619},
year = {2019}
}
备注
Accepted by CVPR 2018. GitHub: https://github.com/wuhuikai/DeepGuidedFilter