[论文笔记]Unsupervised Domain-Specific Deblurring via Disentangled Representations(CVPR2019)

最新推荐文章于 2022-11-13 11:49:37 发布
最新推荐文章于 2022-11-13 11:49:37 发布
阅读量2.1k 收藏
点赞数 1
分类专栏： 图像生成/复原 深度学习 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/muyiyushan/article/details/88950098
版权
该博客介绍了CVPR2019的一篇论文，提出了一种利用解缠表示进行无监督域特定图像去模糊的方法。通过解耦内容和模糊特征，网络在没有监督的情况下能有效编码和去除模糊。实验在CelebA、BMVC文本和CFP数据集上进行。
摘要由CSDN通过智能技术生成

1. 简介

文章提出了一种基于解缠表示的无监督域特定图像去模糊方法，通过将模糊图像中的内容和模糊特征解开，以将模糊信息准确地编码到去模糊框架中。

2. 方法

2.1网络结构：

在这里插入图片描述

2.2 损失函数

1）对模糊编码的隐空间进行约束，参考VAE, p(z)∼N(0,1),KL 散度
在这里插入图片描述
在这里插入图片描述

2）GAN的对抗损失，两个Generator有各自对应的损失函数，以 G s G_s

最低0.47元/天 解锁文章
Deephome
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
CVPR 2019 | 无监督领域特定单图像去模糊
Paper weekly
03-20 4117
图像模糊是影响图像质量的重要因素，显着降低了许多计算机视觉应用的性能，例如物体检测和人脸识别。随着深度神经网络的发展，计算机视觉领域的难题被一个个解决，单纯依靠先验核去实...
论文阅读：Unsupervised Domain-Specific Deblurring via Disentangled Representations
wang_chaochen的博客
10-11 1307
Unsupervised Domain-Specific Deblurring via Disentangled Representations
【论文笔记】Unsupervised Domain-Specific Deblurring via Disentangled Representations
恒治学
08-06 396
笔记目录（部分笔者省略） Unsupervised Domain-Specific Deblurring via Disentangled Representations arXiv:1903.01594v2 [cs.CV] 5 Aug 2019 通过解缠表示的无监督领域特定图像去模糊 注：限于作者水平，本笔记难免存在不妥之处，欢迎批评指正 文章的创新和优势所在： 内容编码器和模糊编码器将模糊图像的内容和模糊特征区分开，实现了高质量的图像去模糊； 对模糊编码器添加 KL 散度损失以阻止模糊特征对内容信息进
2019 CVPR Unsupervised Domain-Specific Deblurring via Disentangled Representations阅读笔记
qq_33360746的博客
11-29 315
#Abstract 无监督方法去模糊，用分解表示分别编码图像内容和模糊特征； 4个loss，每个loss有不同功能； ##Questions 1.什么是图像内容(content)，什么是blur features？ 2.每个loss是怎么work的 ...
[MICCAI2019]Unsupervised Domain Adaptation via Disentangled Representations
catfishH的博客
01-08 594
MICCAI2019 多模分割相关论文笔记 Unsupervised Domain Adaptation via Disentangled Representations: Application to Cross-Modality Liver Segmentation 由于来自域转移，对来自某个源域的标记数据进行训练的深度学习模型，通常在来自不同目标域的数据上表现较差。无监督域自适应方法通过减轻...
论文笔记Unsupervised cross-domain transfer in PGRL via manifold alignment.pdf
07-21
论文摘要：将策略梯度强化学习（RL）应用于困难的控制任务的成功，关键取决于确定策略明智的初始化的能力。转移学习方法通​​过重用从解决其他相关任务中收集到的知识来解决此问题。在多个任务域的情况下，这些算法...
无监督的MVSNet （源码）-Unsupervised MVSNet-CVPR-2019
08-22
无监督的MVSNet （源码）----Unsupervised MVSNet——CVPR-2019 无监督的MVSNet （源码）----Unsupervised MVSNet——CVPR-2019 无监督的MVSNet （源码）----Unsupervised MVSNet——CVPR-2019 无监督的MVSNet ...
Unsupervised-Domain-Adaptation-with-Differential-Treatment:[CVPR 2020]东西区别对待
05-04
该存储库适用于CVPR2020接受的以下论文中介绍的Stuff Instance Matching（SIM）框架 ，，， ，， ，和 介绍 在这项工作中，我们通过减轻源域（合成数据）和目标域（实际数据）之间的域迁移来考虑语义监督的无监督域...
Asymmetric Co-Teaching for Unsupervised Cross-Domain
10-19
Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification 是一种旨在解决跨域人体重识别问题的方法。...
Disentangled Representation Learning GAN for Pose-Invariant Face Recognition
09-16
2017CVPR人脸识别文章Disentangled Representation Learning GAN for Pose-Invariant Face Recognition
disentangled representations
weixin_43798819的博客
06-16 265
sparse data manifold=>compressible 有10个数据，使用4x4=16维的数据表示。我们可以发现每个数据特别地有一个空列。因此对于每个图像，大多变化可以用一个数来表示 ref:https://www.youtube.com/watch?v=itOlzH9FHkI intro:Machine Learning Edinburgh: Disentangled Representations talker:Yordan Hristov, University of Edinbur
structured_disentangled_representation
林小川的博客
09-08 1439
论文链接：https://arxiv.org/pdf/1804.02086.pdf Deep latent-variable models learn representations of high-dimensional data in an unsupervised manner.（无监督方式） disentangle statistically independent axes of v...
Learning Disentangled Representations of Negation and Uncertainty
myl1992的专栏
06-13 860
语言学理论认为，否定和不确定性的表达在语义上是相互独立的，它们所修饰的内容也是相互独立的。然而，以前关于表征学习的工作并没有明确地模型这种依赖关系。因此，我们尝试使用变分自动编码器1来分离否定、不确定性和内容的表示。......
Disentangled Representation：IVIF
weixin_43690932的博客
11-13 1243
解纠缠好难呀！
HFVAE(Structured Disentangled Representations)论文笔记
林小川的博客
09-12 2357
论文：arXiv:1804.02086v3 摘要： 深度隐变量模型在学习多维表示使用的是非监督学习方式。现在有许多表示学习在 disentangle 变量时对目标方程进行修正，这些方式先假设一个高斯先验，但是这样将不能稳定可靠的disentangle离散变量。论文提出了2级层级目标去控制相关精度：区域块变量和独立单变量之间的统计独立性。论文根据 evidence lower bound (EL...
MyDLNote - Detection : 2019 CVPR 使用解耦表示（Disentangled Representation）学习的罕见事件检测
u014546828的博客
08-22 3772
CVPR 2020 Rare Event Detection using Disentangled Representation Learning Ryuhei Hamaguchi, Ken Sakurada, and Ryosuke Nakamura National Institute of Advanced Industrial Science and Technology (AIST) {ryuhei.hamaguchi, k.sakurada, r.nakamura}@aist.go.j
模糊二维码数据集_CVPR 2019 | 无监督领域特定单图像去模糊
weixin_35615322的博客
01-07 810
图像模糊是影响图像质量的重要因素，显着降低了许多计算机视觉应用的性能，例如物体检测和人脸识别。随着深度神经网络的发展，计算机视觉领域的难题被一个个解决，单纯依靠先验核去实现图像去模糊的技术已经渐渐被取代。本文将针对 CVPR2019 Unsupervised Domain-Specific Deblurring via Disentangled Representations 一文进行分析，梳理一...
Unsupervised Single Image Dehazing via Disentangled Representation ICVIP(2019)
yanglong6666的博客
05-20 554
摘要：图像去雾的目的是从相应的退化模糊图像中恢复出潜在的清晰内容。本文提出了一种基于非纠缠表示的无监督单幅图像去雾方法。我们提出的方法不依赖于物理散射模型，也不需要成对的训练数据。我们提出了一种内容编码器和模糊编码器，分别从模糊图像中分离出内容和模糊信息。我们提出了一种潜在的回归损失，以鼓励生成的图像保留烟雾信息，并强制烟雾编码器从烟雾图像中提取烟雾信息。引入了循环一致性损失，保证了去模糊图像与原始图像具有相同的内容结构。我们还对去雾图像使用对抗性损失，以确保无雾且视觉逼真。在公共dehazing数据集Re
cvpr 2019之迁移学习:contrastive adaptation network for unsupervised domain a
最新发布
01-28
CVPR 2019中发表了一篇题为“迁移学习:无监督领域自适应的对比适应网络（Contrastive Adaptation Network for Unsupervised Domain Adaptation）”的论文。这篇论文主要介绍了一种用于无监督领域自适应的对比适应...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值