论文称号:FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing
作者:Dong Yu /Liu Yihao /Zhang He /Chen Shifeng /Qiao Yu
发表工夫:2020/1/20
论文链接:https://arxiv.org/abs/2001.06968v1
https://paper.yanxishe.com/review/9629
引荐缘由
这篇论文被AAAI 2020接收,思索的是图像去雾成绩。
大部分现有的基于学习的图像去雾方法并非完全端到端的,而是遵照传统的去雾步骤:首先评价传输介质和大气光线,随后恢复基于大气散射模型的无雾图像。但是在实际中,由于缺乏先验信息和约束条件,很难精准估计出中间参数,而不准确的估计则减弱了去雾的效果,结果导致伪影、颜色失真和雾霾去除效果不足。为处理这些成绩,这篇论文提出一个完全端到端的具有交融判别器的生成对抗网络(Generative Adversarial Networks with Fusion-discriminator,FD-GAN)停止图像去雾。FD-GAN将频率信息作为附加先验知识,以生成更自然、逼真的除雾图像。进一步,这篇论文合成大尺寸训练数据,包含不同的室内与户外雾化图,以促进模型表现。实验表明,FD-GAN在公共合成数据集和真实世界图像上均达到了当前最佳的功能。
GTNet:用于零样本目的检测的生成迁移网络
论文称号:GTNet: Generative Transfer Network for Zero-Shot Object Detection
这篇论文提出了一种生成迁移网络(Generative Transfer Network,GTNet)来用于零样本目的检测。GTNet包含一个目的检测模块和一个知识迁移模块。前者可学习大量已知范畴知识,而后者应用合成的特征来生成未知类型的特征,这些特征则被用于训练目的检测模块中新的分类层。为了运用类内方差和IoU方差为每个未知类合成特征,这篇论文设计了一个基于IoU的生成对抗网络IoUGAN作为特征合成器,包含三个单元模型:类特征生成单元,前景特征生成单元和背景特征生成单元。类特征生成单元应用以类语义嵌入为条件的类内方差信息生成地位特征,前景特征生成单元和背景特征生成单元将IoU方差加入到类特征生成单元的结果中,分别得到指定类前景与背景特征。在公共数据集上的评价表明这篇论文提出的GTNet优于当前最佳的零样本目的检测方法。
论文作者团队招募
为了更好地服务广大 AI 青年,AI 研习社正式推出全新「论文」版块,希望以论文作为聚合 AI 先生青年的「兴味点」,经过论文整理引荐、点评解读、代码复现。努力成为国内外前沿研讨成果学习讨论和发表的聚集地,也让优秀科研得到更为广泛的传播和认可。
我们希望热爱学术的你,可以加入我们的论文作者团队。
加入论文作者团队你可以获得
1.署着你名字的文章,将你打形成最耀眼的学术明星
2.丰厚的稿酬
3.AI 名企内推、大会门票福利、独家周边纪念品等等等。
加入论文作者团队你需求:
1.将你喜欢的论文引荐给广大的研习社社友
2.撰写论文解读
假如你曾经预备好加入 AI 研习社的论文兼职作者团队,可以添加运营小姐姐的微信,备注“论文兼职作者”