Happy 头像

Happy

815 声望
公众号:AIWalker 展开

公众号:AIWalker

收起
关注了
0
粉丝数
2
最新动态
  • 发布了文章 ·
    ICLR2021 | 显著提升小模型性能,亚利桑那州立大学&微软联合提出SEED

    该文是亚利桑那州立大学&微软联合提出的一种自监督蒸馏表达学习方案,已被ICLR2021接收为Poster。针对现有对比自监督学习方案在小模型上表现性能差的问题,提出将知识蒸馏的思想嵌入到自监督学习框架得到了本文的自监督蒸馏学习。相比常规自监督学习方案,所提方案可以显著的提升轻量型模型的性能,同时具有极好的泛化性...

    摘要图
  • 发布了文章 ·
    RepVGG|让你的ConVNet一卷到底,plain网络首次超过80%top1精度

    paper: httsp://arxiv.org/abs/2101.03697 code: [链接] 注:公众号后台回复:RepVGG,即可下载上述论文&code&预训练模型。

    摘要图
  • 发布了文章 ·
    NBNet|图像降噪新思路,旷视科技&快手科技联合提出子空间注意力模块用于图像降噪

    该文是旷视科技&快手&电子科技联合提出的一种图像降噪方案,该方案从一种新的角度(子空间投影)对图像降噪问题进行了分析并提出了一种新颖的子空间注意力模块。所提方案在多个公开数据集上取得SOTA指标与更好的视觉效果。

    摘要图
  • 发布了文章 ·
    RealSR新突破|中科大提出全频带区域自适应图像超分|ORNet

    该文是中科大陈志波老师团队在RealSR方面的一个工作,它从频率角度出发分析了RealSR与SISR之间的关键差异,基于差异所在设计了一种频率分离模块,为达到全频带的复原目的设计了一种区域自适应特征集成模块。所提方法在DRealSR数据上取得了SOTA性能。

    摘要图
  • 发布了文章 ·
    单张图像重建3D人手、人脸和人体

    为了便于分析人类的行为、互动和情绪,本文从单目图像中计算出人体姿态、手姿态和面部表情的三维模型。为了实现这一点,本文使用数千个3D扫描来训练统一的人体3D模型,SMPL-X,它通过完全铰接的手和富有表情的脸来扩展SMPL。没有成对图像和标签,直接回归SMPL-X的参数是非常具有挑战性。因此,本文采用SMPLify方法,估计...

    摘要图
  • 发布了文章 ·
    图像/视频超分之数据集

    大军未动,粮草先行。在深度学习领域,数据就是“粮草”。在进行模型训练之前,我们必须要了解需要用到哪些训练数据,哪些验证数据。在文本中,我们将汇总一下图像超分、视频超分中的那些数据集。

    摘要图
  • 发布了文章 ·
    快速单目三维人手和身体的运动捕捉回归与整合

    人体动作的本质细微差别往往是通过肢体动作和手势的结合来传达的,但现有的单目动作捕捉方法大多侧重于身体动作捕捉而忽略手的部分,或者只关注手的动作捕捉而不考虑身体动作。在本文中提出了FrankMocap运动捕捉系统,可以估计三维人手和身体运动。

    摘要图
  • 发布了文章 ·
    视频超分新标杆 | BasicVSR&IconVSR

    该文是南洋理工&腾讯PCG、CUHK-SenseTime联合实验室、中科院深圳先进技术研究院提出的一种视频超分方案BasicVSR。在多个数据集上、在两种退化方式上,所提BasicVSR与IconVSR均超越已有视频超分方案,特别的,在UDM10数据集上取得了高达0.68dB的性能提升。

    摘要图
  • 发布了文章 ·
    DOPE:基于蒸馏网络的全身三维姿态估计

    本论文提出一种检测和估计全身三维人体姿态的方法(身体,手,人脸),该方法的挑战主要在于带标签的3D全身姿态。大多数之前的工作将标注好的数据单独应用于身体,人手,或者人脸当中。在这项工作中,本文提出利用这些数据集来训练各个部分的独立专家模型,即身体、手和脸的模型,并将他们的知识提取到一个单一的深度网...

    摘要图
  • 发布了文章 ·
    浙大&微软联合提出实时视频增强|RT-VENet

    该文是浙江大学&微软提出的一种实时视频增强方案(ACM Multimedia 2020),它不仅可以达到SOTA的视频增强效果,同时对于1080P的视频可以达到惊人的77fps@Tesla P40GPU或者45fps@CPU端。

    摘要图
  • 发布了文章 ·
    3D姿态估计|时序卷积+半监督训练

    在这项工作中,视频中的3D姿态可以通过全卷积模型来估计,具体是在二维关键点上通过空洞时间卷积的模型得到3D姿态。我们还介绍了一种不带标签(反向投影)的半监督式训练方法。我们先从未标注视频中得到2D姿态,然后估计3D姿态和最后反向投影到输入的2D关键点。在实验中,全卷积模型相比之前state-of-arts,在Human3.6 M...

    摘要图
  • 发布了文章 ·
    720p实时视频插帧 | 旷视科技&北大提出RIFE

    首发:AIWalker图像/视频超分领域近期并无突破性的方法出现,故近期计划将图像/视频超分相关方法进行一次综述性汇总。计划从不同点出发对图像/视频超分进行一次“反思”之旅。本文是该旅程的第一站:图像降质过程标题&作者团队

    摘要图
  • 发布了文章 ·
    图像/视频超分之降质过程

    首发:AIWalker图像/视频超分领域近期并无突破性的方法出现,故近期计划将图像/视频超分相关方法进行一次综述性汇总。计划从不同点出发对图像/视频超分进行一次“反思”之旅。本文是该旅程的第一站:图像降质过程。

    摘要图
  • 发布了文章 ·
    深入理解视频超分中的形变对齐

    【Happy导语】该文是EDVR作者在视频超分领域的又一深入思考,它将变形对齐与光流对齐进行了“桥接”,分析了变形对齐在视频超分领域成功的内机理“Offset Diversity”,并在变形对齐和光流对齐两类方法中进行了验证;与此同时,基于所得到的发现提出了一种新颖的"Offset-fidelity Loss"用于缓解变形卷积训练过程中的不稳定因...

    摘要图
  • 发布了文章 ·
    HS-ResNet | 超越ResNeSt,ResNet又一改进,“分层拆分模块”

    该文是百度研究员针对ResNet提出的一种改进,它提出一种新颖的Hierarchical-Split Block,一种“即插即用”的模块。它可以提供更充分的感受野,进而提升其他下游任务(如语义分割、目标检测等等)的性能。在同等推理速度下,所提HS-ResNet50取得了81.28%的Top1精度,超过了之前亚马逊提出的ResNeSt。

    摘要图
  • 发布了文章 ·
    OverNet | 速度快&高性能&任意尺度超分

    【Happy导语】该文提出了一种轻量型任意尺度超分方案,它将任意尺度数据制作思路引入到OSM设计中。作者通过实验证实了所提OSM的有效性,性能比MetaSR更高,速度更快。那么你还有什么理由不去了解一下呢?

    摘要图
  • 发布了文章 ·
    ECCV2020|真实世界图像超分CDC,分而治之思想的探索应用

    首发:AIWalkerpaper: [链接]Code: [链接]Abstract该文提出了一个大尺度多样性的真实世界图像超分数据集DRealSR,同时提出了一种“分而治之”(Component Divide-and-Conquer, CDC)的超分网络,它探索了low-level图像成分引导的图像超分。DRealSR克服了传统合成图像降质的局限性,构建了一个新的多样性的图像超分基准数据集...

    摘要图
  • 发布了文章 ·
    SPConv|精度更高、速度更快的“即插即用”卷积

    【Happy导语】该文是北邮&南开大学联合提出了一种“即插即用”计算单元,它基于特征冗余而设计,它将输入特征分成两组分别进行处理最后采用简化版SK进行融合。相比常规卷积,所提方法不仅更高精度,同时具有更快推理速度。而它的更快推理速度则是其最关键的亮点,要知道其他“即插即用”型改进卷积(如OctConv、GhostConv、Re...

    摘要图
  • 发布了文章 ·
    旷视科技|商用端侧Raw图像降噪方案

    【Happy导语】该文是旷视科技的研究员提出的一种“商用端侧RAW图像降噪”方法,相应方法已被广泛应用到OPPO、小米等手机中。从笔者角度来看,该文最大的创新点当属噪声参数参数估计部分的推导,它将噪声可变模型转换成了噪声固定模式,这样就可以做到“一个模型处理不同噪声水平”;当然作者所设计的端侧友好网络架构也是非...

    摘要图
  • 发布了文章 ·
    AIM20|超轻量型超分网络|MAFFSRN

    【导语】图像/视频增强在手机端的应用非常多,但是基于深度学习的画质增强方法却往往难以真正的落地,这其中原因有二:(1) 模型过大,导致计算复杂度、内存占用高;(2) 输入图像分辨率过大,往往输入1K,甚至更高(像图像分类、目标检测的输入往往只有200-300,且特征分辨率逐级下降,而画质增强类算法往往只存在分辨率增...

    摘要图
认证与成就
获得 21 次点赞
2020年01月15日 加入
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
Arm中国学堂公众号
关注Arm中国学堂
实时获取免费 Arm 教学资源信息
Arm中国招聘公众号
关注Arm中国招聘
实时获取 Arm 中国职位信息