Deformable Kernel Networks for Joint Image Filtering
Yonsei University（延世大学）；Inria（法国国家信息与自动化研究所）；PSL University（巴黎文理研究大学）
联合图像滤波器用于在诸如提高空间分辨率和抑制噪声的任务中从用作目标图像之前的引导图像传递结构细节。基于卷积神经网络（CNN）的先前方法结合空间不变核的非线性激活来估计结构细节并回归滤波结果。在本文中，我们学习显式稀疏和空间变化的内核。我们提出了一个CNN架构及其有效的实现，称为变形核网络（DKN），输出的邻居和相应的权重集自适应每个像素。然后将滤波结果计算为加权平均。我们还提出了一个快速版本的DKN，运行速度约为17倍的大小为640 x 480的图像。我们证明了我们的模型在深度图上采样，显着图上采样，跨模态图像复原，纹理去除和语义分割的任务的有效性和灵活性。特别是，我们表明，稀疏采样的3 × 3内核的加权平均过程在所有情况下都优于最先进的显着保证金。
2020-10-21 cs.CV
Fast 2-D Complex Gabor Filter with Kernel Decomposition
Chungnam National University（忠南国立大学）
二维复Gabor滤波在计算机视觉和图像处理领域有着广泛的应用。特别是在某些应用中，经常需要计算由多个方向和频率上的二维复Gabor滤波输出组成的二维复Gabor滤波器组。尽管已经提出了用于快速2-D复Gabor滤波的几种方法，但是它们主要集中于减少在特定方向和频率处执行2-D复Gabor滤波一次的运行时间。为了获得2-D复Gabor滤波器组输出，现有方法相对于多个方向和频率重复应用。在本文中，我们提出了一种新的方法，有效地计算2-D复杂的Gabor滤波器组，通过减少计算冗余时，在多个方向和频率进行的Gabor滤波。所提出的方法首先分解的Gabor基内核，允许一个快速的卷积与高斯内核在一个可分离的方式。这使得能够通过重新使用在特定取向处计算的2-D复Gabor滤波的中间结果来减少2-D复Gabor滤波器组的运行时间。此外，我们扩展到2-D本地化滑动离散傅立叶变换（SDFT）的DFT计算中使用的高斯核，这使得在2-D复杂的Gabor滤波器的空间定位能力。实验结果表明，我们的方法运行速度比国家的最先进的方法快速2-D复杂的Gabor滤波，同时保持类似的滤波质量。
2017-04-18 cs.CV
Efficient and Accurate Gaussian Image Filtering Using Running Sums
Hebrew University of Jerusalem（耶路撒冷希伯来大学）
提出了一种简单有效的高斯核图像卷积方法。该计算是使用沿图像行和列的运行和在每个像素的恒定数量的操作中执行的。我们调查的误差函数用于核近似和它的关系的输入信号的属性。基于自然图像统计，我们提出了一个二次型核误差函数，使输出图像l2误差最小化。我们应用所提出的方法来近似高斯核的线性组合常数函数。这导致非常有效的高斯滤波方法。我们的实验表明，所提出的技术比最先进的方法更快，同时保持类似的精度。
2011-07-25 cs.CV
Non-Gaussian Scale Space Filtering with 2 by 2 Matrix of Linear Filters
Susquehanna University（萨斯奎哈纳大学）
过去已经广泛地研究了用卷积滤波器构造尺度空间。已经证明，满足尺度空间要求的唯一卷积核是高斯型。本文将文[1]中引入的卷积滤波器矩阵作为尺度空间的构造核，证明了用滤波器矩阵$2\times 2$可以构造非高斯尺度空间。本文给出了滤子矩阵是尺度空间核的充分条件，并给出了数值例子。
2011-10-04 cs.CV
Deep Attentional Guided Image Filtering
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；Tsinghua University（清华大学）
引导滤波是计算机视觉和计算机图形学中的一个基本工具，其目的是将引导图像中的结构信息传递给目标图像。现有的方法大多从制导本身构造滤波核，而没有考虑制导和目标之间的相互依赖性。然而，由于在两个图像中通常存在显著不同的边缘，简单地将引导的所有结构信息传递到目标将导致各种伪影。为了解决这个问题，我们提出了一个有效的框架命名为深度注意引导的图像过滤，过滤过程中，可以充分整合的互补信息中包含的两个图像。具体来说，我们提出了一个注意力核学习模块，分别从指导和目标生成两组滤波器核，然后通过对两幅图像之间的像素依赖关系进行建模，自适应地将它们组合起来。同时，我们提出了一个多尺度引导的图像滤波模块，逐步产生滤波结果与构造的内核在一个由粗到细的方式。相应地，多尺度融合策略被引入到粗到精的过程中重用的中间结果。大量的实验表明，所提出的框架相媲美的国家的最先进的方法在广泛的引导图像滤波应用，如引导超分辨率，跨模态恢复，纹理去除，和语义分割。
2022-02-28 cs.CV
Kernel Relative-prototype Spectral Filtering for Few-shot Learning
Chengdu Techman Software Co., Ltd.（成都泰盟软件有限公司）；Sichuan University（四川大学）
少样本学习在稀缺样本上执行分类任务和回归任务。原型网络作为最具代表性的少样本学习模型之一，将每个类表示为样本平均值或原型，并通过欧氏距离度量样本与原型的相似性。在本文中，我们提出了一个谱过滤（收缩）框架，用于测量再生核Hilbert空间（RKHS）中查询样本与原型（即相对原型）之间的差异。在此框架下，我们进一步提出了一种方法，利用Tikhonov正则化作为过滤功能的Few-Shot分类。我们进行了几个实验来验证我们的方法，基于miniImageNet数据集，分层ImageNet数据集和CIFAR-FS数据集使用不同的内核。实验结果表明，该模型能够达到最佳的性能，同时，实验结果表明，该收缩方法能够有效地提高模型的性能。源代码可在https://github.com/zhangtao2022/DSFN上获得。
2022-07-24 cs.AI cs.CV
Fast O(1) bilateral filtering using trigonometric range kernels
Princeton University（普林斯顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
众所周知，可以使用其复杂度不取决于滤波器的大小或形状的算法来实现空间平均（在空间或频域中）。这些快速算法在图像处理文献中通常被称为恒定时间或O（1）算法。与空间滤波器一起，边缘保留双边滤波器[Tomasi1998]涉及额外的范围内核。这用于将平均限制到强度类似于或接近于感兴趣像素的强度的那些邻域像素。范围核通过作用于像素强度来操作。这使得平均过程是非线性的并且是计算密集的，尤其是当空间滤波器较大时。在本文中，我们展示了如何利用O（1）平均算法实现双边滤波器在恒定的时间，通过使用三角范围内核。这是通过推广[Porikli 2008]中使用多项式范围内核的想法来完成的。三角函数核的类被证明是足够丰富的，允许标准高斯双边滤波器的近似。我们的方法的吸引人的特点是，对于固定数量的术语，使用三角函数核实现的近似质量远远优于[Porikli 2008]中使用多项式获得的近似质量。
2011-07-27 cs.CE cs.CV cs.DC
Fast Adaptive Bilateral Filtering
Indian Institute of Science（印度科学学院）
在经典的双边滤波器中，使用固定的高斯范围核以及用于边缘保持平滑的空间核。我们认为这个过滤器的泛化，所谓的自适应双边过滤器，其中的中心和宽度的高斯范围内核是允许改变从像素到像素。虽然这种变体最初是为了锐化和噪声去除而提出的，但它也可以用于其他应用，例如伪影去除和纹理过滤。与双边滤波器类似，自适应滤波器的蛮力实现需要大量的计算。虽然在文献中已经提出了几种快速算法用于双边滤波，但它们中的大多数仅适用于固定范围的核。本文提出了一种自适应双边滤波的快速算法，其复杂度不随空域滤波器宽度的变化而变化。这是基于这样的观察，即可以使用适当定义的局部直方图纯粹在范围空间中执行相关滤波。我们表明，通过用多项式代替直方图，用积分代替有限范围空间和，我们可以用解析函数近似滤波器。特别是，一个有效的算法是使用以下创新：多项式拟合匹配其时刻的目标直方图（这是使用快速卷积），并使用部分积分递归计算的解析函数。我们的算法可以加速至少$20 \times$的蛮力实现，没有明显的失真的视觉质量。我们证明了我们的算法锐化，JPEG去块，纹理滤波的有效性。
2018-11-06 cs.CV
Image Completion via Dual-path Cooperative Filtering
East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）
针对现有图像补全方法跨场景泛化差、生成区域模糊的问题，本文提出双路径协同滤波DCF模型，将图像补全转化为滤波问题，通过动态核预测与快速傅里叶卷积多特征提取的协同，在三个数据集上取得了优于现有方法的效果。
2023-04-30 cs.CV
Fast and High-Quality Bilateral Filtering Using Gauss-Chebyshev Approximation
Indian Institute of Science（印度科学学院）
双边滤波器是一种边缘保持平滑器，在图像处理、计算机视觉、计算机图形学和计算摄影学中具有不同的应用。该滤波器使用空间核和范围核来执行边缘保持平滑。在本文中，我们考虑高斯双边滤波器的内核都是高斯。高斯双边滤波器的直接实现需要每个像素的$O(σ_s^2)$操作，其中$σ_s$是空间高斯的标准偏差。事实上，众所周知，直接实施在实践中是缓慢的。我们提出了一个近似的高斯双边过滤器，从而我们可以减少操作的数量，以$O(1)$每像素的任何任意$σ_s$，但实现非常高的质量过滤，几乎是从原始过滤器的输出难以区分。我们表明，建议的近似是几个订单在实践中更快的直接实施相比。我们还证明了近似与现有的快速算法在速度和精度方面具有竞争力。
2016-05-10 cs.CV
The Mechanics of CNN Filtering with Rectification
École de Technologie Supérieure（高等技术学院）
本文提出信息力学模型，解释卷积滤波中修正的机械性质，结合相对论和量子力学理论。通过分析卷积核的奇偶分量，揭示信息传播与能量动量关系。
2026-03-19 cs.CV
Fast High-Dimensional Bilateral and Nonlocal Means Filtering
Indian Institute of Science（印度科学学院）
现有的双边和非局部均值滤波的快速算法大多适用于灰度图像。它们不能很容易地扩展到高维数据，如彩色和高光谱图像，基于补丁的数据，流场等，在本文中，我们提出了一种快速算法，高维双边和非局部均值滤波。与现有的方法不同，重点是近似数据（使用量化）或滤波器内核（通过解析展开），我们使用高斯的加权和移位副本来局部近似内核，其中权重和移位是从数据中推断的。从所提出的近似算法主要涉及聚类和快速卷积，并且易于实现。此外，我们的算法的一个变种来与保证（界）的近似误差，这是不享有现有的算法。我们提出了一些结果，高维双边和非局部均值滤波，以证明我们的建议的速度和准确性。此外，我们还表明，我们的算法可以优于国家的最先进的快速近似的准确性和时间。
2018-11-06 cs.CV
HyperNetworks with statistical filtering for defending adversarial examples
众所周知，深度学习算法在诸如图像分类等各种任务中容易受到对抗性扰动的影响。这个问题是通过采用几种防御方法来检测和拒绝特定类型的攻击来解决的。然而，根据特定防御方案训练和操纵网络增加了学习算法的计算复杂性。在这项工作中，我们提出了一个简单而有效的方法来提高卷积神经网络（CNN）的鲁棒性对抗攻击通过使用数据相关的自适应卷积核。为此，我们提出了一种新型的超网络，以采用统计特性的输入数据和统计自适应地图的计算功能。然后，我们用学习到的统计映射来过滤CNN的卷积权重，以计算动态内核。因此，权重和核被共同优化，用于学习对对抗攻击鲁棒的图像分类模型，而不采用附加的目标检测和拒绝算法。我们凭经验证明，所提出的方法使CNN能够自发地防御不同类型的攻击，例如由高斯噪声、快速梯度符号方法（Goodfellow et al.，2014）和黑箱攻击（Narodytska & Kasiviswanathan，2016）。
2017-11-06 cs.CV
MISF: Multi-level Interactive Siamese Filtering for High-Fidelity Image Inpainting
University of South Carolina（南卡罗来纳大学）；Tianjin University（天津大学）；Hong Kong Polytechnic University（香港理工大学）；Nanyang Technological University（南洋理工大学）
虽然取得了重大进展，现有的深度生成修复方法是远离现实世界的应用，由于低泛化不同场景。因此，生成的图像通常包含伪影或填充的像素与地面实况有很大差异。图像级预测滤波是一种广泛应用的图像复原技术，它根据不同的输入场景自适应地预测合适的核函数。受这种固有优势的启发，我们探讨了将图像修补作为过滤任务的可能性。为此，我们首先研究了图像级预测滤波用于图像修补的优点和挑战：该方法可以保留局部结构并避免伪影，但无法填充大的缺失区域。然后，我们提出了语义过滤进行过滤的深特征层，它填补了丢失的语义信息，但无法恢复的细节。为了解决这些问题，同时采用各自的优点，我们提出了一种新的滤波技术，即，多级交互式连体滤波（MISF），它包含两个分支：核预测分支（KPB）和语义和图像滤波分支（SIFB）。这两个分支是交互链接的：SIFB为KPB提供多级特征，而KPB为SIFB预测动态内核。因此，最终的方法利用有效的语义和图像级填充的高保真修复。我们在三个具有挑战性的数据集上验证了我们的方法，即，敦煌、Places2和CelebA。我们的方法在四个指标上优于最先进的基线，即，L1、PSNR、SSIM和LPIPS。请在https://github.com/tsingqguo/misf上尝试发布的代码和模型。
2022-03-12 cs.CV cs.MM
Utilizing Excess Resources in Training Neural Networks
Tel Aviv University（特拉维夫大学）
在这项工作中，我们建议核滤波线性过参数化（KFLO），其中在训练期间使用滤波层的线性级联，以提高测试时的网络性能。我们以内核过滤的方式实现这种级联，这可以防止训练的架构变得不必要的更深。这也允许使用我们的方法与几乎任何网络架构，并让过滤层组合成一个单一的层在测试时。因此，我们的方法在推理过程中不会增加计算复杂性。我们在监督学习中的各种网络模型和数据集上展示了KFLO的优势。
2022-07-12 cs.CV cs.LG
SHFormer: Dynamic Spectral Filtering Convolutional Neural Network and High-pass Kernel Generation Transformer for Adaptive MRI Reconstruction
Indian Institute of Technology Madras (IITM)（印度理工学院马德拉斯分校）；Healthcare Technology Innovation Centre（医疗技术创新中心）；GE John F Welch Technology Center（通用电气约翰·F·韦尔奇技术中心）
针对基于注意力机制的MRI重建模型在高频表示和多模态数据处理上的不足，提出含频谱滤波CNN和动态高通内核生成变压器的网络进行可扩展MRI重建，在未见场景下有良好重建效果，提升了PSNR和SSIM。
2026-07-23 cs.CV
Dynamic Temporal Filtering in Video Models
JD Explore Academy（京东探索研究院）；Singapore Management University（新加坡管理大学）
传统的视频时间动态模型是用3D时空核或由2D空间核和1D时间核组成的分解版本来建模的。然而，建模能力受到固定窗口大小和内核沿时间维度的静态权重的限制。预先确定的核大小严重限制了时间感受野，并且固定权重平等地对待跨帧的每个空间位置，导致自然场景中的长距离时间建模的次优解决方案。在本文中，我们提出了一个新的配方的时间特征学习，即动态时间滤波器（DTF），新颖地执行空间感知的时间建模在频域与大的时间感受野。具体来说，DTF动态地为每个空间位置学习一个专门的频率滤波器，以模拟其长期的时间动态。同时，每个空间位置的时间特征也通过1D快速傅立叶变换（FFT）转换为频率特征谱。频谱由学习的频率滤波器调制，然后用逆FFT变换回时域。此外，为了方便DTF中频率滤波器的学习，我们执行逐帧聚合，通过帧间相关来增强主要时间特征及其时间邻居。将DTF块插入ConvNets和Transformer中，得到DTF-Net和DTF-Transformer是可行的。在三个数据集上进行的大量实验证明了我们的建议的优越性。更值得注意的是，DTF-Transformer在Kinetics-400数据集上实现了83.5%的准确率。源代码可从\url{https://github.com/FuchenUSTC/DTF}获得。
2022-11-15 cs.CV
Dynamic Filtering with Large Sampling Field for ConvNets
Tsinghua University（清华大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一种用于ConvNets（LS-DFN）的大采样域动态过滤策略，其中位置特定的内核不仅从相同的位置学习，而且还从多个采样的相邻区域学习。在采样过程中，引入残差学习以简化训练，并应用注意力机制来融合来自不同样本的特征。这样的多个样本显著扩大了籽粒的感受野，而不需要更多的参数。虽然LS-DFN继承了DFN的优点，即在保持平移不变性的同时避免了位置核的特征图模糊，但它也有效地解决了由比普通CNN更多的参数引起的过拟合问题。我们的模型是高效的，可以通过标准的反向传播进行端到端的训练。我们证明了我们的LS-DFN的优点，稀疏和密集的预测任务，涉及目标检测，语义分割，和流量估计。我们的研究结果表明，LS-DFN具有更强的识别能力，在目标检测和语义分割任务的VOC基准和更尖锐的响应，在流量估计FlyingChairs数据集相比，强基线。
2019-09-09 cs.CV cs.LG
IDF: Iterative Dynamic Filtering Networks for Generalizable Image Denoising
Department of Computer Science, Hanyang University（翰阳大学计算机科学系）；School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院）
本文提出迭代动态滤波网络IDF，通过动态生成逐像素自适应卷积核并迭代去噪，以约0.04M参数的紧凑模型在仅训练于单级高斯噪声的情况下实现跨噪声类型和水平的强泛化能力。
2025-08-27 cs.CV
A Fast Parallel Median Filtering Algorithm Using Hierarchical Tiling
NVIDIA（英伟达）
提出一种基于分层分块的并行中值滤波算法，含寄存器内数据无关与内存数据感知两变体，在 GPU 上显著优于现有方法。
2025-07-26 cs.CV cs.DC
Novel Convolution Kernels for Computer Vision and Shape Analysis based on Electromagnetism
Polytechnique Montreal（蒙特利尔综合理工学院）
计算机视觉是一个不断发展的领域，在自动化和机器人技术中有许多新的应用，因为它允许分析图像和形状以生成数值或分析信息。最常用的信息抽取方法之一是通过卷积核进行图像滤波，其中每个核专门用于特定的应用。本文的目的是提出一种新的卷积核，基于电磁势和场的原理，一般用于计算机视觉，并演示其用于形状和笔画分析。这种滤波具有独特的几何性质，可以使用很好理解的物理定理来解释。因此，本文重点介绍了电磁核的发展及其在形状和笔画分析图像上的应用。它还介绍了电磁核的几个有趣的功能，如分辨率，大小和方向的独立性，对噪声和变形的鲁棒性，长距离笔画交互和与3D图像的工作能力
2018-06-20 cs.CV
EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining
Nanyang Technological University（南洋理工大学）；Kyushu University（九州大学）；Alibaba Group（阿里巴巴集团）；College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）
由于降雨模型的未知性，单图像去噪具有相当大的挑战性。现有的方法通常对降雨模型进行特定的假设，这很难涵盖现实世界中的许多不同情况，使得它们不得不采用复杂的优化或逐步改进。然而，这显著影响了这些方法对于许多效率关键应用的效率和有效性。为了填补这一空白，本文将单幅图像的去噪视为一般的图像增强问题，独创性地提出了一种无模型去噪方法，即，EfficientDeRain，其能够在10~ms内处理雨天图像（即，平均约6毫秒），比现有技术方法快80倍以上（即，RCDNet），同时实现类似的降水效果。我们首先提出了新的逐像素膨胀滤波。特别地，用从核预测网络估计的逐像素核对雨天图像进行滤波，通过该核预测网络可以有效地预测每个像素的合适的多尺度核。然后，为了消除合成数据和真实数据之间的差距，我们进一步提出了一种有效的数据增强方法（即，RainMix），帮助训练网络处理真实的降雨图像。我们对合成和真实世界的降雨数据集进行了综合评估，以证明我们的方法的有效性和效率。我们在https://github.com/tsingqguo/efficientderain.git上发布模型和代码。
2020-09-19 cs.CV
Fast and Accurate Bilateral Filtering using Gauss-Polynomial Decomposition
Indian Institute of Science（印度科学院）
双边滤波器是一种通用的非线性滤波器，在图像处理、计算机视觉、计算机图形学和计算摄影学中有着广泛的应用。滤波器的一种广泛使用的形式是高斯双边滤波器，其中空间和范围内核都是高斯的。该滤波器的直接实现需要每个像素的$O(σ^2)$操作，其中$σ$是空间高斯的标准偏差。在本文中，我们提出了一个精确的近似算法，可以减少计算复杂性度为$O(1)$每像素的任何$σ$（恒定时间实现）。这是基于这样的观察：距离核通过在距离空间上平移固定的高斯函数来操作，并且这些平移的高斯函数可以使用所谓的高斯多项式来精确地近似。从这种近似出现的整体算法涉及一系列的空间高斯滤波，它可以在恒定时间内使用可分性和递归来实现。我们提出了一些初步的结果表明，所提出的算法与现有的一些快速算法相比，在速度和准确性。
2015-05-25 cs.CV
Fast Bilateral Filtering of Vector-Valued Images
Indian Institute of Science（印度科学学院）
在本文中，我们考虑一个自然的扩展的边缘保持双边过滤器的矢量值图像。这种非线性滤波器的直接计算在实践中是缓慢的。我们演示了如何快速算法可以通过首先近似的高斯内核的双边滤波器使用升余弦，然后使用蒙特卡罗采样。我们提出了彩色图像的仿真结果，以证明该算法的准确性和加速比的直接实施。
2016-05-07 cs.CV
Speeding Up the Bilateral Filter: A Joint Acceleration Way
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）
双边滤波器（BF）的蛮力实现的计算复杂性取决于其滤波器核大小。为了实现复杂度与核大小无关的常数时间BF，已经提出了许多技术，例如2D盒滤波，维数提升和移位特性。虽然上述技术中的每一种都存在精度和效率问题，但由于将它们组合在一起的难度，以前的算法设计者通常只采用其中一种来组装快速实现。因此，没有联合利用这些技术已经提出了构建一个新的前沿实现，解决这些问题。共同使用五种技术：摘要结合核截断、最佳N项近似以及二维盒滤波、维数提升和移位特性，我们提出了一个统一的框架，将具有任意空间和范围核的BF变换为一组可以在线性时间内计算的三维盒滤波器。据我们所知，我们的算法是第一种方法，可以集成所有这些加速技术，因此，可以借鉴彼此的优点，以克服不足之处。我们的方法的强度已经被几个精心设计的实验所证实。特别地，在不牺牲运行时的效率的情况下，显著地提高了滤波精度。
2018-02-28 cs.CV
DISK: Differentiable Sparse Kernel Complex for Efficient Spatially-Variant Convolution
State Key Lab of CAD&CG, Zhejiang University, China（浙江大学CAD与CG国家重点实验室）
本文提出了一种可微稀疏核复数分解框架，用于高效处理空间变体卷积，通过稀疏核样本表示目标空间变体密集复数核，实现了高效且可微的优化方法，适用于移动成像和实时渲染。
2026-05-19 cs.CV cs.GR
Using SVDD in SimpleMKL for 3D-Shapes Filtering
Clermont-Université, Université Blaise Pascal, LIMOS（克莱蒙大学，布莱兹·帕斯卡大学，LIMOS实验室）；CNRS, UMR 6158, LIMOS（法国国家科学研究中心，UMR 6158，LIMOS实验室）
提出了基于SimpleMKL的支持向量数据描述（SVDD）对多核情况的适应（MK-SVDD）。它还引入了一个名为Slim-MK-SVDD的变体，该变体能够围绕数据产生更紧密的边界。为了比较，等价的方法也开发了单类SVM，已知是非常相似的SVDD的某些形状的内核。这些算法的3D形状过滤和离群点检测的上下文中示出。对于3D形状问题，目标是能够选择3D形状的子类别，每个子类别都是用我们的算法学习的，以便创建过滤器。对于离群值检测，我们将所提出的算法用于无监督离群值检测以及监督情况。
2017-12-07 cs.CV stat.ML
Graph-Based Blind Image Deblurring From a Single Photograph
Peking University（北京大学）；National Institute of Informatics（国立信息学研究所）；Harbin Institute of Technology（哈尔滨工业大学）
盲图像去模糊，即，在不知道模糊核的情况下去模糊是高度不适定的问题。该问题可以分两部分解决：i）从模糊图像估计模糊核，以及ii）给定估计的模糊核，对模糊输入进行去卷积以恢复目标图像。在本文中，我们提出了一种基于图的盲图像去模糊算法，通过解释一个图像补丁作为一个信号的加权图。具体来说，我们首先认为，骨架图像-一个代理，保留目标的强梯度，但平滑的细节-可以用来准确地估计模糊内核，并具有独特的双峰边缘权重分布。然后，我们设计了一个重新加权的图总变差（RGTV）之前，可以有效地促进双峰边缘权重分布给定的模糊补丁。此外，为了在图频域中分析RGTV，我们引入了一个新的权函数来表示RGTV作为图$l_1$ -拉普拉斯正则化。这导致了一个图形频谱滤波解释的先验与理想的属性，包括鲁棒性噪声和模糊，强分段平滑（PWS）滤波和锐度提升。RGTV最小化盲图像去模糊目标导致非凸不可微优化问题。我们利用新的图形光谱解释RGTV设计一个有效的算法，解决了骨架图像和模糊核交替。具体到高斯模糊，我们提出了一个进一步的加速策略，盲高斯去模糊使用加速图谱滤波。最后，利用计算出的模糊核，可以应用最近的非盲图像去模糊算法来恢复目标图像。实验结果表明，我们的算法成功地恢复潜在的清晰图像，并优于国家的最先进的方法定量和定性。
2018-02-22 cs.CV
Improvements on "Fast space-variant elliptical filtering using box splines"
众所周知，箱形滤波器可以使用预积分和局部有限差分有效地计算[Crow1984，Heckbert1986，Viola2001]。通过推广这一思想并将其与中心极限定理的非标准变体相结合，[Chaudhury 2010]中提出了一种恒定时间或O（1）算法，该算法允许使用类高斯内核执行空变滤波。该算法基于这样的观察，即各向同性和各向异性的高斯曲线都可以使用某些称为箱样条的二元样条来近似。该算法的吸引人的特点是，它允许一个连续控制的形状和大小（协方差）的过滤器，它有一个固定的计算成本每像素，而不管大小的过滤器。然而，该算法对高斯近似的协方差和精度提供了有限的控制。在这项工作中，我们通过适当修改[Chaudhury 2010]中的算法提出了一些改进。
2012-02-22 cs.CV
Fast and Provably Accurate Bilateral Filtering
Indian Institute of Science（印度科学学院）
双边滤波器是一种非线性滤波器，其使用范围滤波器以及空间滤波器来执行图像的边缘保持平滑。双边滤波器的直接计算需要每个像素的$O(S)$操作，其中$S$是空间滤波器的支持的大小。在本文中，我们提出了一个快速和可证明准确的算法近似双边滤波器时的范围内核是高斯。特别地，对于箱形和高斯空间滤波器，该算法可以将复杂度降低到任意$S$的每像素$O(1)$。该算法具有涉及$N+1$空间滤波的简单实现，其中$N$是近似阶。我们给出了一个详细的分析，可以实现的目标双边滤波器的建议的近似的滤波精度。这允许我们估计获得给定精度所需的阶数$N$。我们还提出了全面的数值结果表明，该算法是具有竞争力的国家的最先进的方法在速度和精度方面。
2016-03-26 cs.CV
Local Kernels that Approximate Bayesian Regularization and Proximal Operators
Google Research（谷歌研究院）
在这项工作中，我们广泛地连接基于核的过滤（例如双边过滤器和非局部均值等方法，还有更多）与贝叶斯正则化最小二乘的一般变分公式，以及邻近算子的相关概念。后一组变分/贝叶斯/近似公式通常会导致优化问题没有封闭形式的解决方案，因此通常需要全局迭代解决方案。我们在这里的主要贡献是建立一个如何可以近似的解决方案所产生的全局优化问题，使用局部自适应滤波器与特定的内核。我们的结果是有效的小正则化强度，但该方法是足够强大的，是有用的广泛的应用，因为我们揭示了如何获得一个“内核化”的解决方案，这些问题，近似的全局解决方案在一个镜头，只使用本地操作。作为另一个侧面的好处，在相反的方向，给定一个本地的数据自适应滤波器构建一个特定的选择内核，我们使这样的过滤器的解释变分/贝叶斯/邻近的框架。
2018-03-09 cs.CV
Efficient Higher-order Convolution for Small Kernels in Deep Learning
University of Sheffield（谢菲尔德大学）
本文提出一种低成本的高阶 Volterra 滤波方法以替代传统实现，并基于此构建了高阶局部注意力块（HLA），在 CIFAR-100 数据集上有效提升了图像分类性能。
2024-04-25 cs.CV
Fast, Trainable, Multiscale Denoising
Google Research（谷歌研究院）
去噪是一个基本的成像问题。移动相机系统需要通用但快速的滤波。我们提出了一种多尺度滤波的方法，它允许低功耗设备上的实时应用。其关键思想是学习一组内核，这些内核在局部结构分析的指导下对不同尺度的补丁进行升级、过滤和混合。这种方法是可训练的，使得学习的滤波器能够处理不同的噪声模式和伪影。实验结果表明，所提出的方法产生可比的结果，国家的最先进的算法，而处理时间是数量级更快。
2018-02-16 cs.CV
Fast Multi-Layer Laplacian Enhancement
Google Inc.（谷歌公司）
介绍了一种新颖、快速、实用的图像增强方法。我们的方法建立在著名的边缘感知内核，如双边和非局部均值的拉普拉斯算子，并扩展这些滤波器的功能，以执行更有效和快速的图像平滑，锐化和色调操作。我们提出了一个近似的拉普拉斯算子，它不需要归一化的内核权重。多个拉普拉斯算子的亲和力权重赋予我们的方法与渐进的细节分解的输入图像从细到粗的尺度。这些图像分量通过结构掩模混合，这避免了输出图像中的噪声/伪影放大或细节损失。所提出的方法对现有图像编辑工具的贡献是：（1）低计算和存储器要求，使其适合于移动终端实现（例如，作为相机流水线中的完成步骤），（2）从细节增强到去噪的一系列滤波应用，仅用几个控制参数，使用户能够应用各种（甚至相反）滤波效果的组合。
2016-06-23 cs.CV
Recursive Filter for Space-Variant Variance Reduction
Analogic Corporation（安诺格公司）
我们提出了一种方法，以减少非均匀样本方差到一个预定的目标水平。所提出的空变滤波器可以均衡非平稳信号的方差，或者基于图像特征（例如边缘等）改变滤波强度，如本工作中的应用所示。该方法基于给定的目标方差计算图像中每个点的方差降低率。然后，应用具有匹配方差降低能力的空变滤波器。原子核的数学框架的开发，以促进稳定和快速计算的滤波器组内核。递归公式允许使用小的内核大小，这使得空变滤波器更适合于快速并行实现。尽管小的核尺寸，递归滤波器具有强大的方差降低能力。滤波器精度通过相对于目标方差的方差减少来测量;测试表明，与固定大小的滤波器相比，递归滤波器的方差减少具有高精度。将该滤波器应用于图像重建中的自适应滤波和边缘保持去噪。
2019-11-13 cs.CV cs.NA eess.IV
Panchromatic and Multispectral Image Fusion via Alternating Reverse Filtering Network
Hefei Institute of Physical Science, Chinese Academy of Sciences（中国科学院合肥物质科学研究院）；University of Science and Technology of China（中国科学技术大学）；Nanyang Technological University（南洋理工大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）
全色（PAN）和多光谱（MS）图像融合，又称全色锐化（Pan-sharpening），是指在高分辨率PAN图像的条件下，对低分辨率（LR）多光谱（MS）图像在空间域进行超分辨率处理，生成期望的高分辨率（HR）MS图像。在本文中，我们提出了一个简单而有效的\textit{alternating reverse filtering network}泛锐化。受经典的反向滤波的启发，将图像反转到滤波前的状态，我们将泛锐化制定为交替迭代的反向滤波过程，以可解释的方式融合LR MS和HR MS。不同于现有的模型驱动方法，需要精心设计的先验和退化的假设，反向过滤过程中避免了依赖于预定义的精确先验。为了通过度量空间上的压缩映射来保证迭代过程的稳定性和收敛性，我们开发了可学习的多尺度高斯核模块，而不是使用特定的滤波器。我们证明了这种配方的理论可行性。对不同场景进行了广泛的实验，以彻底验证我们的方法的性能，显著优于现有技术。
2022-10-15 cs.CV eess.IV
A Real-Time Cross-modality Correlation Filtering Method for Referring Expression Comprehension
Beihang University（北京航空航天大学）；SenseTime Research（商汤科技研究院）；Sun Yat-sen University（中山大学）
引用表达式理解的目的是本地化由自然语言表达式描述的对象实例。目前的指称表达方法已经取得了良好的性能。然而，没有一个能够实现实时的【形】推理而不降低精度。推理速度相对较慢的原因是这些方法人为地将指称表达理解分为两个连续的阶段，包括建议生成和建议排序。它并不完全符合人类的认知习惯。为此，我们提出了一种新的实时跨模态相关滤波方法（RCCF）。RCCF将指称表达理解重新表述为一个相关过滤过程。首先将表情从语言域映射到视觉域，然后将其作为模板（内核）对图像特征图进行相关滤波。相关性热图中的峰值指示目标框的中心点。此外，RCCF还回归2-D对象大小和2-D偏移。中心点坐标、对象大小和中心点偏移量共同构成目标限界框。我们的方法以40 FPS运行，同时在RefClef，RefCOCO，RefCOCO+和RefCOCOg基准测试中获得领先的性能。在具有挑战性的RefClef数据集中，我们的方法几乎是最先进性能的两倍（34.70%增加到63.79%）。我们希望这项工作能引起更多的关注和研究新的跨通道相关过滤框架，以及指称表达理解的一个阶段的框架。
2020-04-27 cs.CV
Spectral Leakage and Rethinking the Kernel Size in CNNs
Delft University of Technology（代尔夫特理工大学）
CNN中的卷积层实现了线性滤波器，将输入分解为不同的频带。然而，大多数现代架构在优化关于卷积核的大小和形状的模型选择时忽略了滤波器设计的标准原则。在这项工作中，我们考虑了在CNN的背景下，滤波操作中的窗口化伪影引起的频谱泄漏的众所周知的问题。我们表明，小尺寸的CNN内核使他们容易受到频谱泄漏，这可能会导致性能下降的文物。为了解决这个问题，我们建议使用更大的内核大小以及汉明窗口函数来减轻CNN架构中的泄漏。我们在包括Fashion-MNIST、CIFAR-10、CIFAR-100和ImageNet在内的多个基准数据集上展示了改进的分类准确性，并在卷积层中简单使用了标准窗口函数。最后，我们表明，CNN采用汉明窗口显示增加了对各种对抗攻击的鲁棒性。
2021-07-29 cs.CV cs.LG
DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy-Preserving CT Slice Generation
Georgia Institute of Technology（佐治亚理工学院）
为Image-CLEFmed GANs 2026挑战赛开发隐私保护框架，结合最优传输条件流匹配等，在几何潜在空间过滤候选切片。官方结果显示有真实感与隐私权衡，虽减少泄漏，但防止直接图像复制仍不足以消除患者特定解剖特征，凸显未来隐私保护医学图像生成的重要前沿。
2026-07-24 cs.AI cs.CV
Oracle inequalities and minimax rates for non-local means and related adaptive kernel-based methods
University of California, San Diego（加州大学圣地亚哥分校）；Duke University（杜克大学）；Institute for Mathematics and its Applications（数学及其应用研究所）
本文描述了一种新的理论表征的非局部均值（NLM）的噪声去除性能。NLM已经在各种实证研究中证明是有效的，但是关于它相对于基于小波的经典方法如何执行或者各种参数（例如，补丁大小）。对于卡通图像和图像可能包含薄的功能和规则的纹理，NLM的错误衰减率推导和比较的线性滤波，预言估计，可变带宽核方法，雅罗斯拉夫斯基的过滤器和小波阈值估计。全局和局部搜索匹配补丁之间的权衡检查，并与本地多项式回归版本的NLM的偏差减少进行了分析。通过对加性高斯白噪声污染的二维图像的仿真，验证了理论结果。
2012-04-26 cs.CV cs.IT math.IT
