基于无监督学习的图像平滑
计算机视觉与模式识别
2018-11-08 v1
摘要
图像平滑是许多不同计算机视觉与图形应用的基本组成部分。本文提出一个统一的无监督（无标签）学习框架，借助深度卷积神经网络（CNNs）直接从数据中学习，从而生成灵活且高质量的平滑效果。该设计的核心是将训练信号作为一种新颖的能量函数，其包含一个保边正则化项以帮助维持重要但可能脆弱的图像结构，以及一个空间自适应 Lp 平坦化准则，该准则对不同图像区域施加不同形式的正则化以获得更好的平滑质量。我们利用该统一框架实现了面向多种应用（如图像抽象、铅笔素描、细节增强、纹理去除和感知内容图像编辑）的多样化图像平滑方案，并取得了与先前方法相当或更好的结果。此外，我们的方法在现代 GPU 上极快（例如对 1280x720 图像达 200 fps）。我们的代码与模型发布于 https://github.com/fqnchina/ImageSmoothing。
引用
@article{arxiv.1811.02804,
title = {Image Smoothing via Unsupervised Learning},
author = {Qingnan Fan and Jiaolong Yang and David Wipf and Baoquan Chen and Xin Tong},
journal= {arXiv preprint arXiv:1811.02804},
year = {2018}
}
备注
Accepted in SIGGRAPH Asia 2018