昨天今天明天专题-计算机视觉与图形学003

Posted 2022-07-14 wx62cecd4679aef

《FILM: Frame Interpolation for Large Motion》
《FILM: 大运动的帧插值》

我们提出了一种帧插值算法，该算法从两幅中间运动较大的输入图像中合成多个中间帧。最近的方法使用多个网络来估计光流或深度，并使用一个专用于帧合成的独立网络。这通常很复杂，需要的光流或深度真值。在这项工作中，我们提出了一个单一的统一网络，其特点是多尺度特征抽取器在所有尺度上共享权重，并且可以仅从帧进行训练。为了合成清晰的帧，我们建议使用Gram矩阵损失来优化我们的网络，该损失度量特征映射之间的相关性差异。在Xiph大运动基准上，我们的方法优于最先进的方法。与使用感知损失的方法相比，我们在Vimeo-90K、Middlebury和UCF101上的得分也更高。我们研究通过增加运动范围的数据集训练方法和权重共享和的有效性。最后，我们展示了我们的模型在一个具有挑战性的近重复照片数据集上合成高质量和时间一致性视频的有效性。代码和预训练权重的模型可在https://github.com/googleresearch/frame-interpolation.

《ANOMALIB: A DEEP LEARNING LIBRARY FOR ANOMALY DETECTION》
《异常检测：深度学习lib库》

本文介绍了一种新的无监督异常检测和定位库anomalib1。考虑到可再现性和模块性，这个开源库提供了文献中的算法和一组工具，通过即插即用方法设计自定义异常检测算法。Anomalib包含最先进的异常检测算法，这些算法在基准测试中实现了最佳性能，并且可以现成使用。此外，该库还提供用于设计定制算法的组件，这些算法可以根据特定需求进行定制。其他工具，包括实验跟踪器、可视化工具和超参数优化器，使异常检测模型的设计和实现变得简单。该库还支持OpenVINO模型优化和量化，以实现实时部署。总的来说，anomalib是一个广泛的库，用于设计、实现和部署从数据到边缘的无监督异常检测模型。

更多计算机视觉与图形学相关资料，请关注微信公众号：计算机视觉与图形学实战

如果您认为上面的内容对您有一定的价值，可以对我们进行小小的赞助，来支持我们的工作，因为后续打算构建自己的网站，谢谢：