高效图像去雨方法：基于雨混合增强的高效深度去雨网络 背景介绍 降雨会对计算机视觉系统捕获的图像和视频质量产生显著影响，如雨滴和雨线会导致图像清晰度下降，进而影响行人检测、目标跟踪和语义分割等任务。为实现全天候视觉系统，图像去雨成为一个关键需求。然而，现有去雨方法通常基于雨模型的启发式假设，这种方法需要复杂的优化或迭代求解，从而导致计算开销大、实时性差。此外，这些假设往往无法涵盖真实雨景复杂多样的模式，制约了去雨质量。 为解决上述问题，本文提出了一种高效的图像去雨方法 EfficientDeRain+，通过将去雨问题建模为预测滤波问题，并设计了一系列创新技术，包括不确定性感知级联预测滤波、多尺度扩张滤波，以及数据增强方法 RainMix，显著提升了图像去雨的效率和质量。 论文来源 本文由来自新...

基于可见光和红外跨模态学习的Adaptive Middle-Modality Alignment Learning方法研究 研究背景与问题 在智能监控系统的需求推动下，可见光-红外行人再识别（Visible-Infrared Person Re-identification, VIReID）正逐渐成为一个备受关注的研究领域。该任务旨在通过对不同光谱模态（如可见光与红外）的行人图像进行匹配，实现全天候行人识别。由于可见光和红外图像源自不同的光谱，存在显著的模态差异，包括光照、纹理、颜色等，这使得跨模态匹配成为一大挑战。 传统方法多通过设计复杂的生成对抗网络（Generative Adversarial Networks, GANs）或深度网络模型来缩小模态差异，但这些方法通常存在如下问题： -...

基于弱监督的协作式程序对齐框架：在指令视频相关性学习中的应用与评估 近年来，随着视频分析领域的快速发展，指令视频因其目标驱动的特性和与人类学习过程的内在关联，吸引了研究者越来越多的关注。相比于普通视频，指令视频包含多个细粒度的步骤，这些步骤具有不同的持续时间和时间位置，形成了更加复杂的程序结构。本研究提出了一种名为协作式程序对齐（Collaborative Procedure Alignment, CPA）的弱监督框架，用于在指令视频中进行程序感知的相关性学习。这一框架的核心特点在于无需依赖昂贵的步骤级标注，通过协作提取步骤信息并量化视频间的程序相关性，显著提升了指令视频相关性学习的效率和效果。 研究背景与问题提出 指令视频相关性学习（Video Correlation Learning, ...

One-shot Generative Domain Adaptation in 3D GANs 近年来，生成式对抗网络（Generative Adversarial Networks, GANs）在图像生成领域取得了显著进展。传统的二维生成模型已经能够在多种任务中展现出极高的能力。然而，将这一技术扩展到三维领域（3D-aware image generation），以同时生成二维图像并学习三维结构，仍然面临诸多挑战。本文报道了发表在 International Journal of Computer Vision 上的一篇题为《One-shot Generative Domain Adaptation in 3D GANs》的文章。该研究由 Ziqiang Li、Yi Wu、Chaoyue...

深度学习解释性研究：基于扰动的归因图评估方法 背景和研究动机 随着深度学习模型在各种任务中取得显著成功，人们越来越关注这些模型的解释性和透明性。然而，尽管模型在准确性上表现卓越，其决策过程的可解释性仍然存在很大不足。这种不足限制了模型在实际应用中的推广，因为许多场景需要模型不仅能提供准确的预测，还需具备鲁棒性、不确定性估计以及对决策过程的直观解释能力。 在计算机视觉领域，归因方法（Attribution Methods）被广泛应用于神经网络的解释性研究。这些方法通过生成归因图（Attribution Maps，AMs），显示输入图像中哪些区域对模型的决策贡献最大。然而，由于归因图的定性特性，如何定量评估这些图的有效性仍是一个未解决的问题。本研究旨在解决归因图评估中面临的可靠性和一致性问题，为...