编辑:Happy
首发: 极市平台
日期:2020-08-26
paper: https://arxiv.org/abs/2008.09604
code: https://github.com/MaureenZOU/Adaptive-anti-Aliasing
【导语】该文是California大学&NVIDIA提出了一种消除Aliasing的方案。该文在AntialiasedCNN的基础上进行了更一步的改进,将固定模糊核改进为内容自适应低通滤波操作。作者还通过不同的任务验证了所提方法的有效性与泛化性能。
Abstract
Aliasing(锯齿)是采样过程中常见现象之一,它将高频信息退化成了更复杂的表现形式。在深度学习领域中,它长见诸于下采样层中(比如Maxpooling、StrideConv)。一种标准方案是在下采样之前进行低通滤波(比如高斯模糊),然而这种处理方案是次优方案:因为不同位置、不同通道的频率信息是不相同的。
为解决上述问题,作者提出了一种内容自适应低通滤波层,它针对输入特征预测不同位置、不同通道的滤波权值。作者在多个任务(比如ImageNet分类、COCO实例分割、Cityscapes语义分割等)上验证了所提方案的有效性与泛化性能。定量与定性结果表明:所提方法可以具有特征频率自适应特性,在避免锯齿的同时保持有用信息。
Introduction
Aliasing指的是下采样过程中高频信息的畸变问题,Nyquist采样理论表明:采样率必须至少是最高频的两倍方可避免Aliasing问题。下图给出了1D信号的下采样Aliasing效应,可以看到经过下采样后输入与输出具有不同的表现形式。