2020年11月30日
Image Inpainting with Learnable Bidirectional Attention Maps
摘要： Image Inpainting with Learnable Bidirectional Attention Maps pytorch 引言 部分卷积（PConv）的缺陷： 1 将含有1个有效值像素的区域与含有9个有效值像素的区域同等对待 2 Partial convolution中，无效pixe 阅读全文
posted @ 2020-11-30 15:50 临近边缘 阅读(461) 评论(0) 推荐(0)
Free-Form Image Inpainting with Gated Convolution
摘要： Free-Form Image Inpainting with Gated Convolution pytorch 引言 和Generative Image Inpainting with Contextual Attention是同一个作者 部分卷积（PConv）的缺陷： 1 将含有1个有效值像素 阅读全文
posted @ 2020-11-30 15:33 临近边缘 阅读(653) 评论(0) 推荐(0)
partial conv
摘要： Image Inpainting for Irregular Holes Using Partial Convolutions pytorch代码 论文贡献： 提出了部分卷积（partial convolutions），使得在每一层都使用上一层跟新后的mask，在图片修复上取得了state-of-t 阅读全文
posted @ 2020-11-30 15:12 临近边缘 阅读(2946) 评论(0) 推荐(1)
2020年10月30日
ConvTranspose2d
摘要： nn.ConvTranspose2d的功能是进行反卷积操作 nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, d 阅读全文
posted @ 2020-10-30 13:04 临近边缘 阅读(947) 评论(0) 推荐(0)
2020年10月17日
GAN和GAN的改进
摘要： GAN 原始GAN中判别器要最小化如下损失函数，尽可能把真实样本分为正例，生成样本分为负例： 其中是真实样本分布，是由生成器产生的样本分布。 第一个式子我们不看梯度符号的话即为判别器的损失函数，logD(xi)为判别器将真实数据判定为真实数据的概率，log(1-D(G(zi)))为判别器将生成器生成 阅读全文
posted @ 2020-10-17 19:46 临近边缘 阅读(1398) 评论(0) 推荐(0)
2020年10月13日
自监督学习
摘要： 监督学习 监督学习利用大量的标注数据来训练模型，模型的预测和数据的真实标签产生损失后进行反向传播（计算梯度、更新参数），通过不断的学习，最终可以获得识别新样本的能力。 无监督学习 无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类相关的任务。 有监督和无监督最主要的区别 阅读全文
posted @ 2020-10-13 21:19 临近边缘 阅读(415) 评论(0) 推荐(0)
2020年10月9日
On-Demand Learning for Deep Image Restoration
摘要： 摘要 论文来源：ICCV 2017 之前的缺点：目前的机器学习方法只专注于在特定困难程度的图像损坏(如一定程度的噪声或模糊)情况下进行良好的训练模型。 改进的方法：提出了一种基于深度卷积神经网络的按需学习算法来训练图像恢复模型。 优势之处：其主要思想是利用反馈机制，在最需要的地方自行生成训练实例，从 阅读全文
posted @ 2020-10-09 11:07 临近边缘 阅读(555) 评论(0) 推荐(0)
2020年10月8日
High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis
摘要： 论文来源：CVPR 2017 摘要 之前方法的缺点：之前的方法是基于语义和上下文信息的，在填充较大holes的表现得很好，能够捕获更高级的图像特征，但是由于内存限制和难以训练网络的因素，只能处理分辨率较小的图片。 论文提出的方法：提出了一种基于结合图像内容和纹理约束来进行优化的多尺度神经patch结 阅读全文
posted @ 2020-10-08 19:35 临近边缘 阅读(173) 评论(0) 推荐(0)