广义深度图像到图像回归
计算机视觉与模式识别
2016-12-13 v1 机器学习
神经与进化计算
摘要
我们提出了一种深度卷积神经网络架构，它作为一个通用的图像到图像回归器，可以进行端到端训练而无需任何额外机制。我们提出的架构：递归分支反卷积网络（RBDN），利用具有广泛参数共享和可学习上采样的高效递归分支方案，在极早阶段便构建了低开销的多上下文图像表示。该多上下文表示通过我们网络剩余部分（由一系列无任何空间下采样的卷积/反卷积组成）进行的高度非线性保局变换处理。RBDN 架构是全卷积的，能够在推理阶段处理可变尺寸的图像。我们在 个不同任务上提供了定性/定量结果：重照明、去噪和着色，并表明我们提出的 RBDN 架构在直接用于这些任务且不进行任何后处理或特定任务的架构修改时，在每个任务上均获得了与 SOTA 相当的结果。
引用
@article{arxiv.1612.03268,
title = {Generalized Deep Image to Image Regression},
author = {Venkataraman Santhanam and Vlad I. Morariu and Larry S. Davis},
journal= {arXiv preprint arXiv:1612.03268},
year = {2016}
}
备注
Submitted to CVPR on November 15th, 2016. Code will be made available soon