基于隐层傅里叶卷积的非平稳纹理合成方法

随着深度学习在计算机视觉领域取得的巨大成功,基于示例的纹理合成研究得到了长足的发展.当下主流纹理合成模型往往采用神经网络方法,其通常包含卷积层和上采样层、下采样层等局部组件,并不适用于捕捉非平稳纹理中的不规则结构特征.受频率域与空间域的对偶性质的启发,提出了一种基于隐层傅里叶卷积的非平稳纹理合成方法.该方法以生成对抗网络为基础架构,沿着隐层通道进行特征拆分,搭建图像域局部分支和频率域全局分支,进而兼顾视觉感知和结构信息.实验表明,该方法能够处理结构上极具挑战的非平稳纹理样本,相较于目前最优方法而言,在大尺度结构的学习与扩展上取得了更好的效果.     

基于组对比学习的弱监督三维点云语义分割方法

三维点云语义分割方法,是三维视觉环境感知中的重要任务,被广泛应用于自动驾驶、增强现实、机器人等领域.然而,大多数语义分割方法工作在全监督的模式下,为数据标注带来了极大的压力,为了解决对于大规模点云标注数据的依赖问题,许多工作基于有标签数据训练生成伪标签进一步迭代训练模型,但未考虑到错误伪标签累积所导致的确认偏差.针对该问题,本文提出了一种基于组对比学习的弱监督三维点云语义分割方法,在从伪标签中选择的正例组与负例组之间构造对比学习,令伪标签之间相互竞争,减少错误伪标签的梯度贡献,从而缓解确认偏差.实验结果表明,本文所提出的方法在S3DIS、ScanNetV2、Semantic3D等3个公开数据集上,相较于目前最优方法均取得了更优的精度.