Brain-Inspired Deep Networks for Image Aesthetics Assessment
Beckman Institute（贝克曼研究所）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
图像美学评价因其主观性而具有挑战性。受人类视觉感知和神经美学的科学进步的启发，我们设计了大脑启发的深度网络（BDN）来完成这项任务。BDN首先通过并行监督路径学习属性，在各种选定的特征维度上。训练一个高级合成网络，将这些属性关联并转换为整体美学评级。然后，我们将BDN扩展到预测人类评级的分布，因为美学评级往往是主观的。另一个亮点是我们首次在美学评估的背景下研究了标签保持转换，这导致了一种有效的数据增强方法。在AVA数据集上的实验结果表明，与具有相同或更高参数容量的其他最先进的模型相比，我们的生物启发和特定任务的BDN模型获得了显着的性能改善。
2016-03-15 cs.CV cs.LG cs.NE
Adaptive Fractional Dilated Convolution Network for Image Aesthetics Assessment
UNC Charlotte（北卡罗来纳大学夏洛特分校）；Fudan University（复旦大学）；Amazon Lab126（亚马逊Lab126）；Xidian University（西安电子科技大学）
为了利用深度学习进行图像美学评估，一个关键但未解决的问题是如何无缝地结合图像宽高比的信息来学习更鲁棒的模型。在本文中，自适应分数扩张卷积（AFDC），这是纵横比嵌入，成分保持和参数自由，是为了解决这个问题，在卷积核级别原生。具体地说，根据图像的长宽比自适应地构造分数阶扩张核函数，并利用最近两个整数阶扩张核函数的插值来解决分数阶采样的不对齐问题。此外，我们提供了一个简洁的配方小批量训练，并利用分组策略，以减少计算开销。因此，它可以通过常见的深度学习库轻松实现，并以计算高效的方式插入流行的CNN架构中。我们的实验结果表明，我们提出的方法在AVA数据集上实现了最先进的图像美学评估性能。
2020-04-06 cs.CV
Skeleton-based Activity Recognition with Local Order Preserving Match of Linear Patches
School of Computer Science and Technology（计算机科学与技术学院）；University of Science and Technology of China（中国科学技术大学）
由于商品深度相机的发展，人类活动识别最近在计算机视觉领域引起了相当大的关注，通过商品深度相机，人类活动被表示为3D骨架姿势的序列。假设人体活动的三维关节位置位于流形上，将人体活动识别问题转化为活动流形-流形距离（AMMD）的计算。在本文中，我们首先设计了一个有效的划分方法来分解一个流形到有序的连续最大线性补丁（CMLP）表示有意义的动作片段的动作序列。然后，CMLP表示其位置（点的平均值）和第一主成分，指定的主要姿态和主要的动作片段的发展方向，分别。最后，我们通过考虑姿态和方向来计算CMLP之间的距离。基于这些准备工作，一个直观的距离测量，保持本地顺序的动作片段，提出了计算AMMD。在两个基准数据集上的性能证明了所提出的方法的有效性。
2018-11-01 cs.CV
Pareto-Enhanced Portrait Generation: Vision-Aligned Text Supervision for Alignment, Realism, and Aesthetics
本文提出了一种多模态扩散变换器（MM-DiT）的特征监督方法，通过引入轻量级的跨模态对齐机制，隐式提取多粒度的视觉对齐文本表示，以提升文本-图像对齐、真实性和美学质量，从而在Pareto前沿上实现协同改进。
2026-05-20 cs.AI cs.CV
OAIR: Object-Aware Image Retargeting Using PSO and Aesthetic Quality Assessment
Isfahan University of Technology（伊斯法罕理工大学）；McMaster University（麦克马斯特大学）
图像重定向旨在改变图像大小，同时保留重要内容并最大限度地减少明显的失真。然而，先前的图像重定向方法产生遭受伪影和失真的输出。此外，大多数以前的工作试图重新定位的背景和前景的输入图像同时进行。前景和背景的同时缩放会导致对象的宽高比发生变化。纵横比的变化对于人类对象是特别不期望的。我们提出了一个重定向方法，克服了这些问题。所提出的方法包括以下步骤。首先，修补方法使用输入图像和前景对象的二进制掩模来产生没有任何前景对象的背景图像。其次，接缝雕刻方法将背景图像调整为目标尺寸。然后，超分辨率方法提高了输入图像的质量，然后我们提取前景物体。最后，重新定位的背景和提取的超分辨率对象被送入粒子群优化算法（PSO）。粒子群算法使用美学质量评估作为其目标函数，以确定最佳的位置和大小的对象被放置在背景中。我们使用图像质量评估和美学质量评估措施，以显示我们的优越的结果相比，流行的图像重定向技术。
2022-09-11 cs.CV
ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning
Sun Yat-sen University（中山大学）；ByteDance Inc.（字节跳动公司）
提出ID-Aligner通用反馈学习框架，通过身份一致性奖励和美学奖励微调，有效解决ID-T2I中身份保持、美学吸引力及模型兼容性问题。
2024-04-23 cs.AI cs.CV
AesFormer: Transform Everyday Photos into Beautiful Memories
Wangxuan Institute of Computer Technology, Peking University, Beijing, China（王轩计算机技术研究所，北京大学，北京，中国）
本文提出AesFormer框架，通过将审美规划与图像编辑解耦，改进照片的审美质量，同时保持主体身份和场景语义，构建了包含9071对严格对齐图像对的AesRecon基准数据集。
2026-05-21 cs.CV
Assessing UHD Image Quality from Aesthetics, Distortions, and Saliency
Shanghai Jiao Tong University（上海交通大学）
针对UHD图像质量评估的计算复杂度和细节损失问题，提出多分支DNN从美学、失真和显著性三视角提取特征，并在UHD-IQA上以最低计算复杂度取得最佳性能。
2024-09-01 cs.CV eess.IV
VMix: Improving Text-to-Image Diffusion Model with Cross-Attention Mixing Control
ByteDance Inc（字节跳动公司）；University of Science and Technology of China（中国科学技术大学）
本文提出即插即用的美学适配器VMix，通过将文本提示解耦为内容与美学描述，并利用值混合交叉注意力注入美学条件，在不重新训练的情况下提升扩散模型生成图像的美学质量，实验表明其优于现有方法并兼容LoRA、ControlNet等社区模块。
2024-12-30 cs.CV
Retinex-guided Channel-grouping based Patch Swap for Arbitrary Style Transfer
Xidian University（西安电子科技大学）；The Pengcheng Lab（鹏城实验室）
本文提出 Retinex 引导的通道分组块交换方法，将风格特征分为表面与纹理通道并引入互补融合与多尺度生成，以提升任意风格迁移的纹理一致性与内容保真度。
2023-09-19 cs.CV
Learning Color Grading, No Photo Sharing: Federated Aesthetic Preference Learning for Personalized Image Enhancement
FedPAIE框架通过联邦学习在不集中用户私人照片的情况下，实现了个性化图像增强，平衡了用户偏好与图像保真度，效果良好。
2026-07-31 cs.AI cs.CV cs.DC
CLIP-CLOP: CLIP-Guided Collage and Photomontage
DeepMind（深度思维）
大规模神经网络（如CLIP双重图像和文本编码器）的神秘性有增无减，使自动生成的艺术品流行起来。越来越复杂的生成器增强了艺术品的真实感和视觉外观，创造性的提示工程使风格表达成为可能。在艺术家在回路的理想指导下，我们设计了一个基于梯度的生成器来生成拼贴画。它要求人类艺术家策划图像补丁库，并描述（提示）整个图像组成，并在生成过程中手动调整补丁的位置，从而允许人类重新获得对过程的一些控制并实现更大的创作自由。我们探索高分辨率拼贴画的美学潜力，并提供开源的Google Colab作为艺术工具。
2022-07-24 cs.AI cs.CV
Correlation Preserving Sparse Coding Over Multi-level Dictionaries for Image Denoising
National Engineering Laboratory for Video Technology, Peking University（北京大学视频技术国家工程实验室）
本文提出了一种基于相关保持稀疏编码的图像去噪方法。由于基集之间的不稳定和不可靠的相关性会限制字典驱动去噪方法的性能，因此在编码过程中采用了两种有效的正则化策略。具体地说，基于图的正则化器是建立在保持全局相似性相关，它可以自适应地捕获的几何结构和区别性特征的纹理补丁。特别地，图中的边权重通过寻求非负低秩构造来获得。此外，鲁棒的局部约束编码不仅可以自动保持空间邻域信息，而且可以在学习过完备字典时保持噪声块中存在的内部一致性。实验结果表明，我们提出的方法达到了最先进的去噪性能的PSNR和主观视觉质量。
2016-12-23 cs.CV
PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation
UT Austin（德克萨斯大学奥斯汀分校）；Adobe Research（奥多比研究院）；IIT Bombay（印度理工学院孟买分校）
本文介绍了一种数据驱动的形状完成方法，重点是完成缺失区域的3D形状的几何细节。我们观察到，现有的生成方法缺乏训练数据和表示能力，合成合理的，细粒度的细节与复杂的几何形状和拓扑结构。我们的关键见解是复制和变形补丁从部分输入，以完成缺失的区域。这使我们能够保持局部几何特征的风格，即使它与训练数据有很大的不同。我们的全自动方法分两个阶段进行。首先，我们学习从输入形状中检索候选块。其次，我们选择并变形一些检索到的候选人，无缝地将它们混合成完整的形状。该方法结合了两种最常见的完成方法的优点：基于相似性的单实例完成和通过学习形状空间完成。我们利用重复模式检索补丁从部分输入，并学习全局结构先验知识，通过使用神经网络来指导检索和变形步骤。实验结果表明，我们的方法在多个数据集和形状类别上的性能大大优于基线。代码和数据可在https://github.com/GitBoSun/PatchRD上获得。
2022-07-24 cs.CV
Hashed Binary Search Sampling for Convolutional Network Training with Large Overhead Image Patches
Oak Ridge National Laboratory（橡树岭国家实验室）
与地面实况地图相关联的非常大的开销图像具有为机器学习算法生成数十亿个训练图像块的潜力。然而，随机采样选择标准往往会导致冗余和噪声图像补丁的模型训练。由于这一挑战背后的研究工作很少，目前的状况意味着错过了开发监督学习算法的机会，这些算法可以在广泛的地理场景中推广。此外，大规模机器学习的大部分计算周期都花费在处理噪声和冗余图像块上。我们展示了一个潜在的框架，以解决这些挑战，同时评估人类住区检测任务。一种新的二叉搜索树采样方案融合了基于核的散列过程，使用从图像内容生成的二进制代码将图像补丁映射到散列桶中。该框架利用数十亿图像块中的固有冗余来提升大多数高方差保持样本，以加速算法训练和提高模型泛化能力。
2017-07-18 cs.CV
MedTokenBudget: Lesion-Preserving Token Routing for Dermoscopic Image Classification
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
MedTokenBudget提出一种病灶感知令牌路由框架，通过LATS模块融合多种信号选择关键图像块，在保持病灶证据的同时提升皮肤镜图像分类性能。
2026-09-28 cs.AI cs.CV
Yuan: Yielding Unblemished Aesthetics Through A Unified Network for Visual Imperfections Removal in Generated Images
针对AI生成图像存在的视觉缺陷问题，提出自主修正框架Yuan，以文本提示和分割图像为条件自动生成精确掩码并修复缺陷，实验证明其在多数据集上的定量与定性表现优越，可提升AI生成图像质量和适用性。
2025-01-15 cs.CV eess.IV
QwenStyle: Content-Preserving Style Transfer with Qwen-Image-Edit
Institute of Artificial Intelligence (TeleAI)（人工智能研究所）
QwenStyle通过课程持续学习框架，在保留内容的同时实现高质量风格迁移，达到最先进的性能。
2026-01-08 cs.CV
Privacy-Preserving Image Classification Using Vision Transformer
Tokyo Metropolitan University（东京都立大学）
在本文中，我们提出了一个隐私保护的图像分类方法，是基于加密图像和视觉Transformer（ViT）的组合使用。该方法不仅允许我们将没有视觉信息的图像应用于ViT模型进行训练和测试，而且还可以保持较高的分类精度。ViT利用补丁嵌入和位置嵌入图像补丁，所以这种架构被证明可以减少逐块图像变换的影响。在实验中，所提出的隐私保护图像分类的方法被证明优于国家的最先进的方法在分类精度和鲁棒性方面对各种攻击。
2022-05-24 cs.CV
Feasibility of Inconspicuous GAN-generated Adversarial Patches against Object Detection
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
对抗补丁生成的标准方法会导致嘈杂的明显模式，这些模式很容易被人类识别。最近的研究提出了几种使用生成对抗网络（GANs）生成自然斑块的方法，但只有其中一些在目标检测用例中进行了评估。此外，现有技术主要集中在通过将单个大的限界框与面片直接重叠来抑制输入中的单个大的边界框。抑制面片附近的对象是一项不同的、更复杂的任务。在这项工作中，我们评估了现有的方法来生成不显眼的补丁。我们已经调整了最初为不同计算机视觉任务开发的方法，以适应YOLOv3和COCO数据集的目标检测用例。我们已经评估了两种方法来生成自然的补丁：通过将补丁生成到GAN训练过程中，并通过使用预训练的GAN。对于这两种情况下，我们已经评估了性能和自然的补丁外观之间的权衡。我们的实验表明，使用预训练的GAN有助于获得逼真的补丁，同时保持与传统对抗补丁相似的性能。
2022-07-15 cs.CV cs.LG
FakeIDet: Exploring Patches for Privacy-Preserving Fake ID Detection
Biometrics and Data Pattern Analytics Lab, Universidad Autonoma de Madrid, Madrid, Spain（生物信息与数据模式分析实验室，马德里自治大学，马德里，西班牙）
针对假身份证件检测领域真实数据稀缺且需兼顾隐私的问题，提出基于图像块的隐私保护检测方法FakeIDet，在DLC-2021数据库上实现优异性能，并发布首个相关公开数据集FakeIDet-db及实验框架。
2025-08-01 cs.AI cs.CR cs.CV
Revisiting Token Compression for Accelerating ViT-based Sparse Multi-View 3D Object Detectors
PCA Lab, School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学PCA实验室）；PCA Lab, School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学PCA实验室）
本文提出SEPatch3D框架，通过动态调整拼接块大小和改进特征增强方法，提升基于ViT的稀疏多视角3D目标检测器的推理速度和效率，实验显示其比基线模型快57%且比当前最优方法更高效。
2026-04-16 cs.CV
Inconspicuous Adversarial Patches for Fooling Image Recognition Systems on Mobile Devices
Nanyang Technological University（南洋理工大学）
基于深度学习的图像识别系统已被广泛部署在当今世界的移动设备上。然而，在最近的研究中，深度学习模型被证明容易受到对抗性示例的影响。对抗样本的一种变体，称为对抗补丁，由于其强大的攻击能力而引起研究人员的注意。虽然对抗补丁实现了高攻击成功率，但由于补丁和原始图像之间的视觉不一致性，它们很容易被检测到。此外，在文献中，它通常需要大量的数据来生成对抗补丁，这是计算昂贵和耗时的。为了解决这些挑战，我们提出了一种方法来生成不显眼的对抗补丁与一个单一的图像。在我们的方法中，我们首先根据受害者模型的感知灵敏度来确定补丁的位置，然后利用多尺度生成器和鉴别器以粗到细的方式生成对抗补丁。鼓励补丁与对抗训练的背景图像保持一致，同时保持强大的攻击能力。我们的方法显示了强大的攻击能力，在白盒设置和良好的可移植性，在黑盒设置通过广泛的实验，各种模型与不同的架构和训练方法。与其他对抗性补丁相比，我们的对抗性补丁具有最可忽略的检测风险，并且可以逃避人类观察，这得到了显着性图和用户评估结果的支持。最后，我们证明了我们的对抗补丁可以应用于物理世界。
2021-11-21 cs.AI cs.CV
Pre-processing training data improves accuracy and generalisability of convolutional neural network based landscape semantic segmentation
Remote Sensing Research Centre, The University of Queensland（昆士兰大学遥感研究中心）；Applied Agricultural Remote Sensing Centre, The University of New England（新英格兰大学应用农业遥感中心）
本文系统比较训练斑块采样、尺寸、增强、缩放及多网格旋转集成等预处理策略，提升CNN景观语义分割在跨日期、跨传感器影像上的精度与泛化能力。
2023-04-28 cs.CV stat.ML
Structure-Preserving Patch Decoding for Efficient Neural Video Representation
Graduate School of FSE, Waseda University Tokyo, Japan（FSE研究生院，早稻田大学东京，日本）
针对隐式神经表示在视频重建中高频细节受限和分块边界不连续的问题，提出基于保结构块（SPPs）的神经视频表示方法，通过确定性像素拆分实现全局到局部的解码，显著提升了重建质量与压缩性能。
2025-06-26 cs.CV
ERNIE-Image Technical Report
ERNIE Team, Baidu（百度ERNIE团队）
提出基于8B单流DiT架构的开源文本到图像生成模型ERNIE-Image，通过自底向上的预训练数据构建和自顶向下的后训练数据构建，结合稳定DPO策略和MT-DMD蒸馏方法，在指令遵循、文本渲染和美学质量上接近顶级商业模型。
2026-05-25 cs.CV cs.LG
Brightness-Restricted Adversarial Attack Patch
Kahlert School of Computing（卡勒特计算学院）；University of Utah（犹他大学）
本文提出亮度受限的对抗性攻击补丁BrPatch，利用光学特性降低显著性同时保持图像独立性，并分析图像特征对攻击有效性的影响，发现攻击补丁对亮度具冗余性且抗颜色迁移与噪声。
2023-07-01 cs.CV
UltraFlux: Data-Model Co-Design for High-quality Native 4K Text-to-Image Generation across Diverse Aspect Ratios
HKUST(GZ)（香港科技大学（广州））；HKUST（香港科技大学）
针对扩散变压器扩展到原生4K多宽高比时出现的位置编码、VAE压缩和优化耦合失效问题，提出数据-模型协同设计的UltraFlux，通过共振2D RoPE、非对抗VAE后训练、SNR感知Huber小波目标和分阶段美学课程学习，在4K分辨率下实现高保真、细节保留的文本到图像生成。
2026-07-02 cs.AI cs.CV
Style-CCL: Content-Preserving Style Transfer via Curriculum Continual Learning
Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院）
针对扩散变换器在风格迁移中内容与风格特征纠缠的问题，提出多阶段课程持续学习框架Style-CCL，通过从语义到纹理风格、从干净到合成数据的分阶段训练，并采用随机记忆排练防止灾难性遗忘，在风格相似性、内容一致性和美学质量上达到最优。
2026-07-03 cs.CV
Beyond Small Patches: Black-Box Detection and Purification of Diverse Backdoor Triggers
School of Engineering and Applied Sciences, Washington State University（华盛顿州立大学工程与应用科学学院）
本文提出面向部署的黑盒后门防御方法TRIM，通过区域分割、自适应触发器发现与选择性净化，在推理时移除后门触发器，性能优于现有方法，可低至1.16%的攻击成功率并保持高干净准确率。
2026-09-04 cs.CR cs.CV
TeleStyle: Content-Preserving Style Transfer in Images and Videos
TeleAI
TeleStyle通过课程持续学习框架实现图像和视频内容保持的风格迁移，提升风格相似性和内容一致性，达到最佳性能。
2026-01-28 cs.CV
Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；Shenzhen Audencia Financial Technology Institute（深圳Audencia金融科技研究院）；Faculty of Applied Sciences, Macao Polytechnic University（澳门理工学院应用科学学院）；School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院）；Guangdong Provincial Key Laboratory of Intelligent Information Processing（广东省智能信息处理重点实验室）
针对高精度3D点云重建难题，提出下采样-上采样网络（DUS-Net），通过引入噪声生成模块、下采样学习无异常中心点云及上采样融合多尺度特征，保留组中心几何结构，在Real3D-AD等数据集上达到SOTA性能。
2025-09-16 cs.CV
Rényi Attention Entropy for Patch Pruning
Graduate School of Advanced Science；Engineering Hiroshima University Higashi-Hiroshima, Japan
本文提出基于瑞尼熵的注意力熵方法，用于图像块修剪，通过识别重要块以减少计算量并保持精度。
2026-04-04 cs.CV cs.LG
Adaptive Morph-Patch Transformer for Aortic Vessel Segmentation
SIAT（中国科学院自动化研究所）
针对传统Transformer模型依赖固定矩形补丁影响主动脉血管结构完整性的问题，提出自适应形态补丁Transformer（MPT），通过动态生成形态感知补丁及语义聚类注意力机制，提升了主动脉血管分割精度。
2025-11-11 cs.CV
Temporally coherent video anonymization through GAN inpainting
Audi AG（奥迪股份公司）；Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）
这项工作解决了自然视频流中的时间相干人脸匿名化问题。我们提出了JaGAN，一个两阶段的系统，首先在视频的所有单独帧中检测和屏蔽带有黑色图像块的人脸。第二阶段利用隐私保护的视频生成对抗网络，旨在用人工生成的人脸修补丢失的图像补丁。我们的初步实验表明，基于图像的生成模型是不能够修复补丁显示时间连贯的外观在相邻的视频帧。为了解决这个问题，我们介绍了一个新策划的视频集合，这是公开提供给研究界随着本文。我们还介绍了身份不变分数IdI作为一种手段来量化相邻帧之间的时间相干性。
2021-06-04 cs.AI cs.CV cs.LG
FaceSkin: A Privacy Preserving Facial skin patch Dataset for multi Attributes classification
China Merchants Bank（招商银行）
本文提出FaceSkin数据集，利用面部皮肤纹理进行年龄、种族和性别等多属性分类，并引入2D/3D攻击合成斑块以支持面部防伪和年龄估计等下游任务。
2023-08-09 cs.CV
InfiniteYou: Flexible Photo Recrafting While Preserving Your Identity
ByteDance Intelligent Creation Project（字节跳动智能创作项目）
针对现有身份保留图像生成方法存在的身份相似度低、图文对齐差等问题，提出基于DiT的InfiniteYou框架，通过InfuseNet残差注入身份特征与多阶段训练实现SOTA性能，且具备即插即用兼容性。
2025-07-29 cs.CV cs.LG
Preserving Image Properties Through Initializations in Diffusion Models
研究Stable Diffusion在零售图像生成中背景等属性不一致问题，提出通过近似噪声分布初始化推理并训练网络，显著提升生成质量与可控性。
2024-01-04 cs.CV
EPS: Efficient Patch Sampling for Video Overfitting in Deep Super-Resolution Model Training
Christian Doppler Laboratory ATHENA（Christian Doppler实验室ATHENA）；Alpen-Adria-Universität Klagenfurt（阿尔卑斯-亚德里亚大学克雷格福特）；College of Information and Communication Engineering（信息与通信工程学院）
本文提出EPS方法，通过低复杂度的DCT基空间-时间特征评估补丁复杂度，分类并选择高信息补丁，减少75%训练补丁数量，提升训练效率82.1倍。
2026-04-21 cs.CV
ODDR: Outlier Detection & Dimension Reduction Based Defense Against Adversarial Patches
New York University (NYU)（纽约大学（NYU））；Technology Innovation Institute (TII)（技术创新研究院（TII））
本文提出ODDR防御策略，通过分片、隔离和中和三阶段流程，利用异常值检测与降维技术有效消除对抗补丁攻击，在多任务和多种架构中显著提升模型准确率并优于现有防御方法。
2024-08-27 cs.CR cs.CV
Automated Deep Photo Style Transfer
Department of Computer Science, University of Tübingen（图宾根大学计算机科学系）
照相现实主义是一个复杂的概念，不能很容易地用数学公式来表达。深度照片风格转移是一种尝试，将参考图像的风格转移到内容图像，同时保留其照片真实感。这是通过引入一个约束，防止在内容图像中的失真，并通过应用独立的图像的语义不同的部分的风格转移。此外，提出了一种自动分割过程，该过程由基于神经网络的分割方法和随后的语义分组步骤组成。为了进一步改善结果的图像美学措施的使用和阐述。如果内容和样式图像足够相似，则结果图像看起来非常逼真。随着图像分割的自动化，流水线变得完全独立于任何用户交互，这允许新的应用程序。
2019-01-12 cs.CV
Ultra-High-Resolution Image Synthesis: Data, Method and Evaluation
State Key Laboratory of Complex and Critical Software Environment（复杂与关键软件环境国家重点实验室）；School of Computer Science and Engineering（计算机科学与工程学院）；Beihang University（北京航空航天大学）
本文构建 Aesthetic-4K 数据集并提出 Diffusion-4K 框架，通过 SC-VAE 与 WLF 技术直接生成超高分辨率 4K 图像，并引入 GLCM Score 等新指标实现全面评估。
2025-06-02 cs.CV
Depth-aware Neural Style Transfer using Instance Normalization
The University of Sheffield（谢菲尔德大学）
神经风格迁移（NST）涉及视觉媒体的艺术风格化。它可以被描述为将艺术图像的风格转移到普通照片上的过程。最近，许多研究已经考虑了NST算法的深度保持能力的增强，以解决当输入内容图像包括各种深度的许多对象时发生的不期望的效果。我们的方法使用具有实例归一化层的深度残差卷积网络，该网络利用高级深度预测网络将深度保留作为内容和风格的附加损失函数进行集成。我们展示了有效保留内容图像的深度和全局结构的结果。三个不同的评估过程表明，我们的系统是能够保留的风格化的结果的结构，同时表现出风格捕捉能力和美学品质相媲美或优于国家的最先进的方法。项目页面：https://ioannoue.github.io/depth-aware-nst-using-in.html。
2022-09-23 cs.CV cs.NE
OrnaStyler: Ornament-Aware Latent Editing for Content-Preserving 3D Stylization
University of Fukui（福井大学）；Toyohashi University of Technology（丰桥技术科学大学）；CyberAgent, Inc.（CyberAgent公司）
OrnaStyler是一种零样本3D风格化框架，通过分阶段恢复几何与外观层面的潜在表示，实现文本引导下兼顾内容保留与风格表达的3D资产装饰编辑，性能优于现有方法
2026-09-01 cs.CV
InstantStyle-Plus: Style Transfer with Content-Preserving in Text-to-Image Generation
InstantX Team（InstantX团队）
本文提出InstantStyle-Plus，通过解构风格迁移为风格、空间结构和语义内容三要素，结合内容潜在噪声初始化、tile ControlNet和全局语义适配器，在保持原图内容完整性的同时实现高效风格注入。
2024-06-30 cs.CV
DDiT: Dynamic Patch Scheduling for Efficient Diffusion Transformers
Boston University（波士顿大学）；Amazon（亚马逊）
DDiT通过动态调整补丁大小，在保持生成质量的同时显著提升扩散变换器的推理效率。
2026-02-19 cs.AI cs.CV
CCPL: Contrastive Coherence Preserving Loss for Versatile Style Transfer
Huazhong University of Science and Technology（华中科技大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Beijing University of Posts and Telecommunications（北京邮电大学）
在本文中，我们的目标是设计一个通用的风格转移方法，能够执行艺术，照片般逼真，和视频风格转移联合，在训练过程中看不到视频。以前的单帧方法假设对整个图像有很强的约束以保持时间一致性，这在许多情况下可能会被违反。相反，我们做了一个温和的和合理的假设，即全球不一致是由当地的不一致，并设计了一个通用的对比一致性保持损失（CCPL）适用于当地补丁。CCPL可以在风格转换过程中保持内容源的一致性，而不会降低风格化。此外，它拥有一个邻居调节机制，从而大大减少了局部失真和相当大的视觉质量改善。除了在多功能风格转换方面的卓越性能外，它还可以轻松扩展到其他任务，例如图像到图像的翻译。此外，为了更好地融合内容和风格特征，我们提出了简单协方差变换（SCT），以有效地对齐内容特征的二阶统计量与风格特征。实验表明，所得到的模型的有效性，多功能的风格转移时，武装与CCPL。
2022-07-19 cs.CV
Seeing What Matters: Empowering CLIP with Patch Generation-to-Selection
Nanjing University of Science and Technology（南京理工大学）；Zhejiang Sci-Tech University（浙江理工大学）；Beijing Institute of Technology（北京理工大学）
针对CLIP训练计算量大、现有掩码策略易损失语义的问题，提出Patch Generation-to-Selection渐进式掩码方法，在保留语义的同时提升训练效率，在零样本分类等任务上取得SOTA结果。
2025-03-21 cs.CV
Not All Patches are What You Need: Expediting Vision Transformers via Token Reorganizations
UC San Diego（加州大学圣迭戈分校）；The University of Hong Kong（香港大学）；Tencent AI Lab（腾讯人工智能实验室）
视觉Transformer（ViTs）以图像块为标记，在图像块之间构造多头自注意（MHSA）。完全利用这些图像标记会带来冗余计算，因为并非所有标记都在MHSA中被注意到。例如，包含语义上无意义或分散注意力的图像背景的令牌对ViT预测没有积极贡献。在这项工作中，我们建议在ViT模型的前馈过程中重新组织图像标记，并在训练过程中将其集成到ViT中。对于每个前向推理，我们识别MHSA和FFN之间的注意图像标记（即，前馈网络）模块，这是由相应的类令牌注意引导的。然后，我们重新组织图像令牌，通过保留注意的图像令牌和融合不注意的，以加快后续的MHSA和FFN计算。为此，我们的方法EVIT从两个角度提高了ViTs。首先，在相同数量的输入图像令牌下，我们的方法减少了MHSA和FFN的计算，以实现高效的推理。例如，DeiT-S的推理速度提高了50%，而ImageNet分类的识别准确率仅下降了0.3%。其次，通过保持相同的计算成本，我们的方法使ViTs能够将更多的图像标记作为输入，以提高识别精度，其中图像标记来自更高分辨率的图像。一个例子是，我们将DeiT-S的识别准确率提高了1%，而计算成本与普通DeiT-S相同。同时，我们的方法没有引入更多的参数的ViTs。在标准基准测试上的实验表明了该方法的有效性。代码可在https://github.com/youweiliang/evit上获得
2022-04-13 cs.CV cs.LG
Learning Spatial-Preserving Hierarchical Representations for Digital Pathology
Dartmouth College（达特茅斯学院）；Massachusetts General Hospital（麻省总医院）；Northwestern University（西北大学）
本文提出SPAN框架，通过保留空间关系和计算分配，提升数字病理学图像的层次表示能力，通过两种变体在多个数据集上验证了其有效性。
2026-04-08 cs.CV
Details Preserving Deep Collaborative Filtering-Based Method for Image Denoising
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
尽管近年来的去噪算法取得了很大的进步，但许多算法在去噪后仍不能很好地保留图像的细节。这是由于他们对图像的平滑效果。大多数基于神经网络的算法都取得了比经典去噪算法更好的定量性能。然而，由于平滑效果，它们也会受到定性（视觉）性能的影响。在本文中，我们提出了一个算法来解决这个缺点。提出了一种基于深度协同滤波（Deep-CoFiB）的图像去噪算法。该算法使用一组优化的神经网络模型在稀疏域中对图像块进行协同去噪。这导致了一种快速算法，能够很好地获得噪声去除和细节保留之间的权衡。大量的实验表明，DeepCoFiB在定量（PSNR和SSIM）和定性（视觉）方面的表现优于许多最先进的去噪算法。
2021-07-14 cs.CV cs.LG eess.IV
Adaptive Slicing-Assisted Hyper Inference for Enhanced Small Object Detection in High-Resolution Imagery
College of Educational Science and Technology（教育科学与技术学院）
本文提出ASAHI框架，通过自适应切片策略减少冗余计算，提升小目标检测效率，在VisDrone2019和xView数据集上取得最佳性能。
2026-04-21 cs.CV
ScenePercept: Scenario-Conditioned Perceptual Assessment of Real-World User-Generated Content Images
Beijing University of Posts and Telecommunications（北京邮电大学）；Amap, Alibaba Group（阿里巴巴集团高德地图）；Minzu University of China（中央民族大学）
针对现有UGC图像感知基准无法适配场景多样性的问题，本文构建了ScenePercept-Bench基准，并提出SCPA框架，实现了UGC图像感知的最优性能及跨基准的有效泛化。
2026-10-27 cs.CV
Multi-patch Feature Pyramid Network for Weakly Supervised Object Detection in Optical Remote Sensing Images
Shanghai Jiao Tong University（上海交通大学）；LJK, CNRS, Inria, Grenoble INP, Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；University of Leicester（莱斯特大学）
目标检测是遥感领域的一项具有挑战性的任务，因为目标在图像中只占据很少的像素，并且模型需要同时学习目标的位置和检测。尽管已建立的方法对于常规大小的对象表现良好，但在分析小对象或陷入局部最小值（例如虚假对象部分）时，它们的性能较弱。两个可能的问题阻碍了他们。首先，由于背景复杂，现有的方法难以稳定地检测小目标。第二，大多数标准方法使用手工制作的特征，并且不能很好地检测缺少部分的对象。我们在这里解决上述问题，并提出了一个新的架构与多补丁功能金字塔网络（MPFP-Net）。与现有的模型在训练时只追求最具鉴别力的块不同，MPFPNet将块划分为类相关的子集，并基于主损失函数为子集确定一系列光滑的损失函数，以改进模型对小目标部分的收集。为了提高特征表示的补丁选择，我们引入了一种有效的方法来规范的残差值，并使融合过渡层严格保范。该网络包含自下而上和自上而下的连接，以融合不同尺度的特征，与几种最先进的目标检测模型相比，实现更高的准确性。此外，开发的架构比基线更有效。
2021-08-18 cs.CV
