基于傅里叶卷积的内容感知图像重定向监督深度学习

图像重定向旨在改变图像尺寸同时关注图像内容。训练深度学习模型用于图像重定向的主要障碍之一是需要海量标注数据集。图像重定向任务中并无可用标注数据集来训练深度学习模型。为此，我们提出一种用于训练深度学习模型的新监督方法。我们使用原始图像作为真值，并通过缩放和裁剪原始图像来为模型创建输入。第二个挑战是在推理时生成不同尺寸的图像。然而，常规卷积神经网络无法生成与输入图像尺寸不同的图像。为解决此问题，我们引入了一种新的监督学习方法。在我们的方法中，生成掩码以指示目标物体的尺寸与位置，然后将掩码与输入图像送入网络。对比图像重定向方法与我们所提方法，展示了模型生成高质量重定向图像的能力。随后，我们基于不同技术计算每幅输出图像的图像质量评估分数，并阐明我们方法的有效性。