LSM：面向底层视觉的学习子空间最小化
计算机视觉与模式识别
2020-04-21 v1
摘要
我们从新颖的视角研究底层视觉任务中的能量最小化问题。我们用可学习的子空间约束替换启发式正则化项，并保留数据项以利用从任务第一性原理导出的领域知识。这一学习子空间最小化（LSM）框架统一了众多底层视觉任务的网络结构与参数，使得我们能够以完全共享的参数同时训练单一网络处理多个任务，甚至能将训练好的网络推广到未见过的新任务，只要其数据项可被公式化。我们在交互式图像分割、视频分割、立体匹配和光流四项底层任务上展示了我们的 LSM 框架，并在多个数据集上验证了网络。实验表明，所提出的 LSM 以更小的模型尺寸、更快的训练收敛和实时推理取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.2004.09197,
title = {LSM: Learning Subspace Minimization for Low-level Vision},
author = {Chengzhou Tang and Lu Yuan and Ping Tan},
journal= {arXiv preprint arXiv:2004.09197},
year = {2020}
}
备注
To be presented at CVPR2020