20-6-24
1-真实场景泛化效果惊艳：图像超清化+老照片修复，拯救所有模糊破损照片｜CVPR2020
真实场景泛化效果惊艳：图像超清化+老照片修复，拯救所有模糊破损照片｜CVPR2020 ：
https://mp.weixin.qq.com/s/egEa0f_FlBtMza5ZuX1XCA
第一项技术是图像超分辨率技术，即从低分辨率图像中恢复出自然、清晰的高分辨率图像。与先前盲猜图片细节的方法不同，我们引入一张高分辨率参考图像来指引整个超分辨率过程。高分辨率参考图像的引入，将图像超分辨率问题由较为困难的纹理恢复/生成转化为了相对简单的纹理搜索与迁移，使得超分辨率结果在指标以及视觉效果上有了显著的提升。
进一步，我们提出老照片修复技术。与其他图片修复任务相比，这是一项更为困难的任务——老照片往往同时含有多种瑕疵，如褶皱、破损、胶片噪声、颜色泛黄，也没有合适的数据集来模拟如此复杂的退化。为此，我们将问题规划为三元域图片翻译，训练得到的模型可以很好地泛化到实际老照片，并取得惊艳的修复效果。
2-从注意力机制出发，上海交大提出实时语义分割新网络 LRNNet
从注意力机制出发，上海交大提出实时语义分割新网络 LRNNet
本文的主要贡献：
1、本文提出了分解因子卷积块（FCB），通过更适当的方式处理远程依赖关系和短距离的特征来构建轻量级且高效的特征提取网络。
2、本文提出的高效简化Non-local模块，其利用了区域性奇异向量可产生更多的简化特征和代表性特征，以对远程依赖关系和全局特征选择进行建模。
3、实验显示了LRNNet在Cityscapes数据集和Camvid数据集上兼顾了计算速度和分割精度，都具有不错的表现。
20-6-25
注意力机制原理及其模型发展和应用
Attention机制在近几年来在图像，自然语言处理等领域中都取得了重要的突破，被证明有益于提高模型的性能。Attention机制本身也是符合人脑和人眼的感知机制，这次我们主要以计算机视觉领域为例，讲述Attention机制的原理，应用以及模型的发展。
20-6-28
自监督学习的一些思考
如何定义自监督学习？
为什么自监督学习能学到新信息 ？
设计一个自监督学习任务还需要考虑什么？
读研经验总结篇--以配准研究为例
这次我要分享的是研究生如何做科研--从入门到放弃。我将要分享的经验全部来自于我的个人实践，从我做基于深度学习的医学图像配准项目中总结得到的，包括从入门的选题定题、文献调研、查找资料、编程调试、论文撰写等各个方面。我分享的目的呢，首先是总结一下我的研究生经历学到的东西，消化沉淀成为自己的；再者就是希望能帮助到后来者更快的入门，少走些弯路，多为国家科研大业做贡献吧。以下我将按照科研的流程进展，从各个部分展开我的总结分享。
Pytorch学习之十九种损失函数
几种损失函数的代码。可惜是torch的版本
基于深度学习的医学图像配准综述
本文调查了近两年来的基于深度学习的医学图像配准的文章，首先根据其中使用的深度学习方法进行分类，分别阐述；然后针对不同问题、从不同角度进行分析，比如分块、输入输出、刚体配准、评价指标、与传统方法比较、时间成本比较等；最后是结论与讨论部分。
2020 CVPR医学图像处理盘点
本文盘点相关论文，总计 19 篇，其中：
医学图像分割 6 篇
医学图像检测 2 篇
医学图像配准 2 篇
MRI重建 2 篇
分类 2 篇
细胞跟踪 1 篇
医学影像插值 1 篇
数据保护的模型训练 1 篇
超分辨率 1 篇
CT血管标记 1 篇
网友评论