学习从图像中采样最有用的训练块
计算机视觉与模式识别
2020-11-25 v1 多媒体
摘要
一些图像复原任务(如去马赛克)需要困难训练样本以学习有效模型。现有方法试图通过手动收集包含充足困难样本的新训练数据集来解决这一数据训练问题,然而即便在单幅图像内仍存在困难与简单区域。在本文中,我们提出一种称为 PatchNet 的数据驱动方法,其学习从图像中选择最有用的块来构建新训练集,而非手动或随机选取。我们表明,这一简单思路能从大规模数据集中自动选出信息丰富的样本,带来惊人的 2.35dB 泛化增益(以 PSNR 计)。除显著有效性外,PatchNet 也资源友好,因其仅在训练时应用,故推理时不需要任何额外计算成本。
引用
@article{arxiv.2011.12097,
title = {Learning to Sample the Most Useful Training Patches from Images},
author = {Shuyang Sun and Liang Chen and Gregory Slabaugh and Philip Torr},
journal= {arXiv preprint arXiv:2011.12097},
year = {2020}
}