用于高保真图像变换的频谱一致UNet
图像与视频处理
2020-09-30 v2 图形学
机器学习
机器学习
摘要
卷积神经网络(CNNs)因其高学习能力及架构特性，是当前许多成像任务事实上的标准模型。 ubiquitous的UNet架构提供了一种结合局部与全局信息的高效多尺度方案。尽管UNet架构取得成功，上采样层的使用可能导致伪影。本文提出了一种评估UNet结构偏置及其对输出影响的方法，并在傅里叶域刻画其影响。基于引导图像滤波的新颖使用，提出了一种新的上采样模块，在UNet架构中使用时可提供频谱一致的输出，构成引导UNet(GUNet)。GUNet架构被应用于逆色调映射/动态范围扩展以及灰度图像彩色化等示例任务并进行了评估，结果表明其能提供更高质量的保真输出。
引用
@article{arxiv.2004.10696,
title = {Spectrally Consistent UNet for High Fidelity Image Transformations},
author = {Demetris Marnerides and Thomas Bashford-Rogers and Kurt Debattista},
journal= {arXiv preprint arXiv:2004.10696},
year = {2020}
}