tpami cvpr(tpami cvpr哪个强)

tpami cvpr(tpami cvpr哪个强)近日 学院 2021 级本科生邓皓宇在机器学习领域顶级会议 Internationa Conference on Machine Learning ICML 发表题为 Exploring the Low Pass Filtering Behavior in Image Super Resolution 的图像超分辨率可解释性工作 电子科技大学均为第一署名和通信单位

大家好,我是讯享网,很高兴认识大家。




讯享网




近日,学院2021级本科生邓皓宇在机器学习领域顶级会议International Conference on Machine Learning(ICML)发表题为“Exploring the Low-Pass Filtering Behavior in Image Super-Resolution”的图像超分辨率可解释性工作。电子科技大学均为第一署名和通信单位。ICML是机器学习三大国际著名会议之一,至今已举办41届,在推动机器学习发展过程中具有举足轻重的影响力。今年的ICML会议于7月21日-26日在奥地利维也纳举办,邓皓宇代表课题组参会并进行论文展示。 /o:p

        图像超分辨率是一种提高图像分辨率的技术,被广泛应用于各个领域。进行图像超分辨率的算法有许多种,例如插值法,字典学习法,深度学习等。得益于深度学习技术的发展,图像超分辨率技术也取得了显著进步。但是由于深度学习缺乏可解释性,图像超分任务所采用模型背后的机理尚未探明。 /o:p

图1. 图像超分示意图 /o:p

受到数字信号处理中上采样器的原理启发,该文章对网络进行了冲激响应测试,发现用于图像超分任务的网络的冲激响应实际上是一个低通滤波器。图像超分辨任务本质上是一种信号上采样任务,在传统信号处理领域中,上采样已经是非常成熟的操作。一个上采样器的工作流程可以这样描述:先把采样过后的离散时间信号恢复成连续信号(函数),再用更高的采样率进行采样。而要将离散时间信号恢复成连续信号,只需要对其进行一个低通滤波。若对δ函数进行上采样,那最终得到的就是应该sinc函数。基于这样的想法,作者猜想神经网络内部也存在这样一个低通滤波器。该文章发现,若对图像超分辨网络输入一个只有一个像素为白色的图像,那么输出的图像花纹与sinc函数非常类似,即神经网络的冲激响应是一个sinc函数,如图2。


图2. 神经网络的冲激响应与sinc函数对比

图3. 左:HyRA的线性系统和非线性系统的响应及其频谱。右:FSDS指标与主流SSIM指标的对比,SSIM指标不能很好地反应高频失真

        为了验证这一发现,文章提出了一种名为“混合响应分析(HyRA)”的方法。HyRA将一个网络视作一个线性系统和非线性系统的并行连接(图3左)。为了使这样的拆分有意义,文章提出该非线性系统的冲激响应应该为0,并证明了这样的约束不影响分析。使用HyRA分析,文章发现线性系统的职责是滤除部分0插值引起的周期延拓以实现一定程度的超分,但是由于滤波器的性能较差,不能较完美地实现超分。非线性部分在修正线性系统带来的失真的同时,同时注入学习到的高频信息。

  此外,为了量化地评价网络注入高频的能力,文章还提出了一种名为“频谱分布相似性(FSDS)”的图像质量评价指标(FSDS)用于定量分析网络注入的高频信息。FSDS指标描述了图像的频谱上的功率分布的相似性。实验证明,相较于现有的主流指标(如PSNR、SSIM等),FSDS指标能够更有效地反应出不同程度的频谱失真,详见图3右。

图4. 邓皓宇在奥地利维也纳的ICML会议上与国际同行进行交流

  邓皓宇在2021年通过校级教改项目“一年级新生课外实践项目—卷积神经网络原理及其在视觉问题上的应用”,进入数学学院教师的科研团队参与科研训练。大二时入选信通学院“科研育人”新工程教育专项“卓越成长计划”。说起自己的经历,他表示,学校新工科建设和学院“科研育人”专项给他带来了莫大的帮助,在科研和竞赛方面对他都很有启发。截至目前,邓皓宇已参与发表高水平论文6篇,其中以第一作者发表论文3篇,包括ICML(CCF-A类)、Knowledge-Based Systems(中国科学院大类一区)、ICLR tiny,还获得国家级竞赛奖项3项。

  据悉,“卓越成长计划”是信通学院贯彻落实教育部关于“坚持科教融合、加强科研育人”的精神,进一步加强科研育人,推进高水平科研支撑高质量本科人才培养的重要举措,以“唤起好奇、探究知识、激发潜能、个性发展”为出发点,构建起“案例化核心课程”与“通关式科研项目”相融合的精英人才培养体系,达到让学生“想学好”“能学好”的目的。

        论文信息:

  Haoyu Deng, et al., Exploring the Low-Pass Filtering Behavior in Image Super-Resolution, International Conference on Machine Learning (ICML), 2024

  项目代码链接:https://github.com/RisingEntropy/LPFInISR

  论文地址:http://arxiv.org/abs/2405.07919


小讯
上一篇 2025-05-09 08:24
下一篇 2025-05-01 18:31

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/202876.html