书接上文:https://blog.csdn.net/Najlepszy/article/details/85289496
回来填坑。
四、着色参考图片的推荐系统
正如前文所言,本文对参考图片的选择具有稳健性。为帮助用户发现更好的参考图片,我们提出一种新的图像检索方法,可自动为用户推荐良好的参考图片。此外,该方法通过Top-1候选法来产生全自动的系统。
全局排名:通过gray-VGG-19,我们还可以获得查询图像 T L T_L TL的Top 1 ID。根据类ID,我们将搜索域缩小到同一类的所有图像(大约1000个图像)。我们通过比较查询信息和所有候选者之间的f c特征来过滤不同的候选者。举例来说,查询信息可能是“在草地上奔跑的猫”,但候选图片可能是"坐在屋子里的猫"。然而我们希望这两张图片的语义信息尽可能越相像越好;为了实现这一点,对于该类中每个候选图片 R i R_i Ri(i=1,2,3,…),直接计算 F T 6 F_T^6 FT6和 F R i 6 F_{R_i}^6 FRi6的余弦相似性获得global score,并对这个global score进行排名。
局部排名:全局排名提供给我们前N个可选的图片 R i R_i Ri(N=200),而f c特征由于其会忽略空间信息,因此无法提供更为准确的信息。因此,我们在剩下的N张图片中进行一个局部的排序,来删除一些参考图片。
局部的一致性分数包括语义信息和照度信息。对于每个图片对 { T L , R i } \{T_L,R_i\} {
TL,Ri},在 F T 5 F_T^5 FT5的任意像素p上,我们通过最小化 F T 5 ( p ) F_T^5(p) FT5(p)和 F R i 5 ( q )
自动上色论文《Deep Exemplar-based Colorization》(2)
最新推荐文章于 2022-07-04 19:20:58 发布