Point upsampling networks for single-photon sensing
State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室）；Shanghai Research Institute for Intelligent Autonomous Systems（智能自主系统上海研究院）；Tongji University（同济大学）；The Department of Structural Engineering（结构工程系）；The Department of Control Science and Engineering（控制科学与工程系）；College of Mathematics and Computer Science（数学与计算机科学学院）
本文首次针对单光子感知点云稀疏与空间有偏问题，提出基于状态空间模型和多路径扫描、双向Mamba及自适应上采样移位模块的点云上采样网络，在常用数据集和真实数据上验证了高精度重建、强鲁棒性与细节保留能力。
2025-08-18 cs.CV physics.optics
Test-Time Adaptation for Point Cloud Upsampling Using Meta-Learning
University of Manitoba（曼尼托巴大学）；Concordia University（康考迪亚大学）
本文提出基于元学习的测试时自适应方法，无需测试数据先验，通过实例级任务训练和梯度微调提升点云上采样模型对分布偏移的泛化能力，可即插即用并提升最先进模型性能。
2023-09-01 cs.AI cs.CV cs.LG
Learning a More Continuous Zero Level Set in Unsigned Distance Fields through Level Set Projection
Tsinghua University（清华大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Wayne State University（韦恩州立大学）
针对无符号距离场零水平集不连续导致表面重建碎片化的问题，提出用水平集投影借助非零水平集引导学习的方法，在多项三维重建及相关任务中优于现有最优方法。
2023-08-22 cs.CV
PBP-Net: Point Projection and Back-Projection Network for 3D Point Cloud Segmentation
Korea Advanced Institute of Science and Technology（韩国科学技术院）
随着3D扫描技术的长足发展，最近提出了许多研究，其中包括利用2D卷积神经网络（CNN）的一些方法。然而，尽管2D CNN在许多2D视觉任务中取得了很高的性能，但现有的工作还没有有效地将它们应用到3D视觉任务中。特别是，由于难以对每个点进行密集预测，因此分割尚未得到很好的研究，这需要丰富的特征表示。在本文中，我们提出了一种简单有效的架构，称为点投影和反投影网络（PBP-Net），它利用2D CNN进行3D点云分割。引入了3个模块，每个模块将3D点云投影到2D平面上，使用2D CNN主干提取特征，并将特征反向投影到原始3D点云上。为了证明使用2D CNN进行有效的3D特征提取，我们进行了各种实验，包括与最近的方法进行比较。我们通过消融研究分析了所提出的模块，并在对象部分分割（ShapeNet-Part数据集）和室内场景语义分割（S3 DIS数据集）上进行了实验。实验结果表明，提出的PBP-Net实现了与现有的最先进的方法相当的性能。
2020-11-02 cs.CV
Spectral Probing of Feature Upsamplers in 2D-to-3D Scene Reconstruction
Hokkaido University（北海道大学）；Westlake University（西湖大学）；Zhejiang University（浙江大学）；The University of Tokyo（东京大学）
本文提出频谱诊断框架，通过六个指标评估特征上采样器对3D重建的影响，发现频谱一致性比空间细节更关键。
2026-03-06 cs.CV
HRTF upsampling with a generative adversarial network using a gnomonic equiangular projection
Imperial College London（帝国理工学院）
本文提出将HRTF数据变换后输入卷积超分辨率生成对抗网络（SRGAN）进行HRTF上采样，在稀疏测量条件下优于重心、球谐和HRTF选择三种基线方法。
2024-02-27 cs.CV cs.HC cs.LG
NormalView: tree species classification from backpack and aerial lidar data using geometric projections
Finnish Geospatial Research Institute FGI（芬兰地理研究 institute FGI）；The National Land Survey of Finland（芬兰国家土地调查局）；Department of Remote Sensing and Photogrammetry（遥感与摄影测量系）；Department of Built Environment, School of Engineering（环境系，工程学院）
研究利用NormalView方法，通过将几何信息嵌入二维投影并输入YOLOv11网络进行树种分类，在移动和航空激光雷达数据上测试，发现多传感器强度信息有益，该方法仅依赖几何信息，公开了相关数据集，取得较好分类结果。
2026-07-21 cs.CV
GeoNet: Deep Geodesic Networks for Point Cloud Analysis
UCLA（加州大学洛杉矶分校）；Megvii (Face++)（旷视（Face++））；Stanford（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于曲面的测地线拓扑为对象语义分析和几何建模提供了有力的线索。然而，这样的连接信息在点云中丢失。因此，我们引入GeoNet，这是第一个经过训练的深度学习架构，用于对表示为点云的表面的内在结构进行建模。为了证明学习测地线感知表示的适用性，我们提出了融合方案，该方案使用GeoNet与其他基线或骨干网络，如PU-Net和PointNet++，用于下游点云分析。我们的方法改进了多个代表性任务的最新技术，这些任务可以从对底层表面拓扑的理解中受益，包括点上采样、法线估计、网格重建和非刚性形状分类。
2019-01-03 cs.CV
Shape Back-Projection In 3D Scenes
Indian Institute of Technology, Kanpur（印度理工学院坎普尔分校）
在这项工作中，我们提出了一种新的框架形状反投影计算效率的点云处理的概率方式。该技术的主要组成部分是形状直方图和反投影程序。该技术通过分析它们的几何特性来测量3D表面之间的相似性。它类似于彩色反投影，它可以简单地通过查看它们的颜色分布来测量图像之间的相似性。在整个过程中，首先，计算样本表面（例如平面）的形状直方图，其以概率分布的形式捕获点周围的表面法线的轮廓。随后，将直方图反向投影到测试表面上，并获得似然性得分。分数描述了测试表面中的点在几何上与样品表面表现相似的可能性。形状反投影在二值表面分类、无组织点云中的高曲率边缘检测、3D-CNN的自动点云标记中有应用该算法还可以用于实时机器人操作，例如仓库自动化中的自主物体拾取，自主车辆的地平面提取，并且可以轻松地部署在计算有限的平台（UAV）上。
2021-01-16 cs.CV cs.RO
Elite360D: Towards Efficient 360 Depth Estimation via Semantic- and Distance-Aware Bi-Projection Fusion
AI Thrust, HKUST(GZ)（香港科技大学（广州）AI thrust）；Dept. of CSE, HKUST（香港科技大学计算机科学与工程学系）
提出Elite360D框架，通过ERP图像与ICOSAP点集的双投影双注意力融合，实现高效360度深度估计，在多个基准上超越现有方法。
2024-05-25 cs.CV
Gradient-Weighted Feature Back-Projection: A Fast Alternative to Feature Distillation in 3D Gaussian Splatting
Indian Institute of Science（印度科学学院）
本文提出一种无需训练的梯度加权特征反投影方法，通过将2D特征反投影到预训练3D高斯中，同时实现高质量的2D和3D分割，且快速可扩展、性能媲美训练方法。
2024-11-19 cs.AI cs.CV
Sparse-Up: Learnable Sparse Upsampling for 3D Generation with High-Fidelity Textures
针对3D生成中高频纹理细节丢失问题，提出Sparse-Up框架，通过表面锚定的可学习稀疏上采样和图像块引导的视角域划分，在保持多视角几何一致性的同时降低显存占用并实现高保真纹理。
2025-09-28 cs.CV
Geometric Back-projection Network for Point Cloud Classification
Data61, CSIRO (The Commonwealth Scientific and Industrial Research Organisation)（Data61，澳大利亚联邦科学与工业研究组织）；Australian National University（澳大利亚国立大学）
分类作为点云分析的基本任务，是一项基础性的工作，但也是一项具有挑战性的工作。为了解决现有方法的一些未解决的问题，我们提出了一个网络，捕捉点云的几何特征，以更好地表示。为了实现这一点，一方面，我们丰富了低层次的三维空间中的点的几何信息显式。另一方面，我们在高级特征空间中应用基于CNN的结构来隐式地学习局部几何上下文。具体来说，我们利用一个错误校正反馈结构的想法，全面捕捉点云的局部特征。此外，基于通道亲和力的注意力模块通过强调其不同的通道来帮助特征图避免可能的冗余。合成和真实世界的点云数据集上的性能证明了我们的网络的优越性和适用性。与其他国家的最先进的方法相比，我们的方法平衡的准确性和效率。
2021-04-13 cs.CV cs.LG cs.RO
Semantic Segmentation via Highly Fused Convolutional Network with Multiple Soft Cost Functions
Tongji University（同济大学）
语义图像分割是计算机视觉中最具挑战性的任务之一。在本文中，我们提出了一个高度融合的卷积网络，它由三个部分组成：特征下采样，组合特征上采样和多个预测。我们采用了多步上采样的策略，并将池化层中的特征图与其对应的非池化层相结合。然后我们产生多个预输出，每个预输出都是通过一步上采样从解池层生成的。最后，我们连接这些预输出以获得最终输出。因此，我们提出的网络通过融合和重用特征图来高度利用特征信息。此外，在训练模型时，我们在预输出和最终输出上添加了多个软成本函数。通过这种方式，我们可以在损失反向传播时减少损失减少。我们在三个主要的分割数据集上评估了我们的模型：CamVid，PASCAL VOC和ADE20K。我们在CamVid数据集上实现了最先进的性能，并在PASCAL VOC数据集和ADE20K数据集上实现了相当大的改进
2018-01-04 cs.CV
AlphaNet: An Attention Guided Deep Network for Automatic Image Matting
Fynd
在本文中，我们提出了一个端到端的解决方案，即从自然图像中高精度提取前景物体的图像抠图。当背景是纯绿色或蓝色时，可以在工作室设置中通过色度键控轻松实现图像抠图和背景检测。尽管如此，在具有复杂且不均匀深度背景的自然场景中的图像抠图仍然是需要人为干预的繁琐任务。为了在自然场景中实现完整的自动前景提取，我们提出了一种方法，该方法将语义分割和深度图像抠图过程同化到单个网络中，以生成用于图像合成任务的详细语义抠图。我们提出的方法的贡献是双重的，首先，它可以被解释为一个完全自动化的语义图像抠图方法，其次作为现有的语义分割模型的细化。我们提出了一种新的模型架构，作为分割和抠图的组合，将上采样和下采样算子的功能与注意力的概念统一起来。如我们的工作所示，注意力引导下采样和上采样可以提取高质量的边界细节，不像其他正常的下采样和上采样技术。为了实现同样的目标，我们利用了一个注意力引导的编码器-解码器框架，该框架进行无监督学习，用于从数据中自适应地生成注意力图，以服务和指导上采样和下采样算子。我们还构建了一个以时尚电子商务为重点的数据集，其中包含高质量的alpha蒙版，以便于图像蒙版的训练和评估。
2020-03-07 cs.CV cs.LG eess.IV
Component Attention Guided Face Super-Resolution Network: CAGFace
The University of Auckland（奥克兰大学）；Purdue University（普渡大学）；The Australian National University（澳大利亚国立大学）
为了充分利用人脸的底层结构、人脸数据集的集体信息以及上采样过程中的中间估计，这里我们介绍了一种用于人脸图像的4 $\times$超分辨率的全卷积多级神经网络。我们使用分割网络隐式地施加面部组件式注意力地图，以使我们的网络专注于面部固有模式。我们网络的每个阶段都由一个主干层、一个残差主干层和空间上采样层组成。我们循环地应用阶段来重建中间图像，然后重用其空间到深度转换的版本来逐步引导和增强图像质量。我们的实验表明，我们的脸超分辨率方法实现定量优越和感知愉悦的结果相比，最先进的。
2019-10-19 cs.CV
Sinogram upsampling using Primal-Dual UNet for undersampled CT and radial MRI reconstruction
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）；Human Technopole（人类技术园）；German Centre for Neurodegenerative Disease（德国神经退行性疾病中心）；Centre for Behavioural Brain Sciences（行为脑科学中心）
计算机断层扫描和磁共振成像是两种广泛使用的非侵入性诊断的临床成像模式。然而，这两种模式都存在某些问题。CT使用有害的电离辐射，而MRI的采集速度较慢。这两个问题都可以通过欠采样来解决，例如稀疏采样。然而，这种欠采样数据导致较低的分辨率并引入伪影。已经提出了几种技术，包括基于深度学习的方法，来重建这些数据。然而，这两种模式的欠采样重建问题一直被认为是两个不同的问题，并由不同的研究工作分别解决。本文提出了一种用于稀疏CT和欠采样径向MRI重建的统一解决方案，通过对径向MRI应用基于傅里叶变换的预处理，然后最终使用正弦图上采样结合滤波反投影重建两种模态来实现。原始-对偶网络是一种基于深度学习的方法，用于重建稀疏采样的CT数据。本文介绍了Primal-Dual UNet，它在精度和重建速度方面改进了Primal-Dual网络。所提出的方法导致0.932 \textpm 0.021的平均SSIM，同时执行稀疏度为16的扇形束几何形状的稀疏CT重建，实现了统计学上的显着改善，比以前的模型，这导致0.919 \textpm 0.016。此外，当用加速因子16重建欠采样的脑部和腹部MRI数据时，所提出的模型的平均SSIM分别为0.903 \textpm 0.019和0.957 \textpm 0.023-与原始模型相比有统计学显著改善，原始模型的平均SSIM分别为0.867 \textpm 0.0…
2023-03-01 cs.CV cs.LG eess.IV
Arbitrary-Scale Image Generation and Upsampling using Latent Diffusion Model and Implicit Neural Decoder
KAIST（韩国科学技术院）；LG Electronics（LG电子）；Imperial College London（伦敦帝国学院）
提出一种结合潜在扩散模型与隐式神经解码器的任意尺度图像生成和超分辨率方法，在潜在空间扩散以提高效率，并通过隐式解码器实现任意尺度输出，在质量、多样性和尺度一致性上优于现有方法，且推理更快、内存更省。
2024-03-15 cs.CV
Projection Convolutional Neural Networks for 1-bit CNNs via Discrete Back Propagation
Beihang University（北京航空航天大学）；China University of Mining and Technology, Beijing（中国矿业大学（北京））；Lancaster University（兰卡斯特大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University at Buffalo（布法罗大学）
深度卷积神经网络（DCNN）的进步已经推动了许多计算机视觉任务的识别系统的准确性的显著提高。然而，在资源受限的环境中，它们的实际应用往往受到限制。在本文中，我们引入了具有离散投影反向传播（DBPP）的投影卷积神经网络（PCNN），以提高二值化神经网络（BNN）的性能。本文的贡献包括：1）首次利用投影函数有效地解决了离散反向传播问题，从而得到了一种新的高度压缩的CNN（称为PCNN）; 2）通过利用多个投影，我们学习了一组不同的量化内核，其以比先前提出的更有效的方式压缩全精度内核; 3）与ImageNet和CIFAR数据集上的其他最先进的BNN相比，PCNN实现了最佳的分类性能。
2018-12-12 cs.CV
Recurrent Back-Projection Network for Video Super-Resolution
Toyota Technological Institute（丰田工业大学）；Toyota Technological Institute at Chicago（芝加哥丰田工业大学）
针对视频超分辨率问题，提出了一种新的架构。我们使用循环编码器-解码器模块从连续视频帧中整合空间和时间上下文，该模块将多帧信息与目标帧的更传统的单帧超分辨率路径融合。与大多数先前的工作相比，框架通过堆叠或扭曲汇集在一起，我们的模型，递归反向投影网络（RBPN）将每个上下文框架视为单独的信息源。这些源被组合在一个迭代的细化框架的启发，在多图像超分辨率的反投影的想法。这通过明确表示相对于目标的估计的帧间运动而不是明确地对准帧来辅助。我们提出了一个新的视频超分辨率基准，允许在更大的规模评估，并考虑在不同的运动制度的视频。实验结果表明，我们的RBPN是优于现有的方法在几个数据集上。
2019-03-25 cs.CV
Deep Back-Projection Networks For Super-Resolution
Toyota Technological Institute（丰田工业大学）；Toyota Technological Institute at Chicago（芝加哥丰田工业大学）
最近提出的深度超分辨率网络的前馈架构学习低分辨率输入的表示，以及从这些到高分辨率输出的非线性映射。然而，这种方法不能完全解决低分辨率和高分辨率图像的相互依赖性。我们提出了深度反投影网络（DBPN），它利用迭代的上下采样层，为每个阶段的投影误差提供误差反馈机制。我们构建相互连接的上采样和下采样阶段，每个阶段代表不同类型的图像退化和高分辨率组件。我们表明，扩展这一想法，允许跨上采样和下采样阶段（密集DBPN）的功能级联，使我们能够重建进一步提高超分辨率，产生更好的结果，特别是建立新的最先进的结果，如跨多个数据集的8倍大比例因子。
2018-03-07 cs.CV
Image Resolution Enhancement by Using Interpolation Followed by Iterative Back Projection
Doğu Akdeniz Üniversitesi（东地中海大学）；Uluslararası Kıbrıs Üniversitesi（国际塞浦路斯大学）
在本文中，我们提出了一种新的超分辨率技术的基础上的插值，然后注册他们使用迭代反投影（IBP）。对低分辨率图像进行插值，然后对插值图像进行配准，以便生成更清晰的高分辨率图像。所提出的技术已在Lena、Elaine、Pepper和Baboon上进行了测试。定量峰值信噪比（PSNR）和结构相似性指数（SSIM）的结果，以及视觉效果显示所提出的技术优于传统的和国家的最先进的图像超分辨率技术。对于Lena的图像，PSNR比双三次插值高6.52 dB。
2016-01-03 cs.CV
Deep Back-Projection Networks for Single Image Super-resolution
Toyota Technological Institute（丰田工业大学）；Bukalapak（布卡拉帕克）；TTI at Chicago（芝加哥丰田技术研究所）
最近提出的深度超分辨率网络的先前前馈架构学习低分辨率输入的特征以及从这些特征到高分辨率输出的非线性映射。然而，这种方法不能完全解决低分辨率和高分辨率图像的相互依赖性。我们提出了深度反投影网络（DBPN），它是两个图像超分辨率挑战赛（NTIRE 2018和PIRM2018）的获胜者，它利用了迭代的上采样和下采样层。这些层形成为提供用于投影误差的误差反馈机制的单元。我们构建相互连接的上采样和下采样单元，每个单元代表不同类型的低分辨率和高分辨率组件。我们还表明，扩展这个想法，以展示一个新的见解，更有效的网络设计，如投影模块和投影步骤的过渡层上的参数共享。实验结果产生了优异的结果，特别是在多个数据集上建立了新的最先进的结果，特别是对于大的缩放因子，如8x。
2020-06-13 cs.CV
Learning from 2D: Contrastive Pixel-to-Point Knowledge Transfer for 3D Pretraining
National Taiwan University（国立台湾大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
由于缺乏大规模的标记3D数据集，大多数3D神经网络都是从头开始训练的。在本文中，我们提出了一种新的3D预训练方法，利用从丰富的2D数据集学习的2D网络。我们提出了对比像素到点的知识转移，有效地利用二维信息，通过映射到同一个嵌入空间的像素级和点级的功能。由于2D和3D网络之间的异构性，我们引入反投影函数来对齐2D和3D之间的特征，以使传输成为可能。此外，我们设计了一个上采样特征投影层，以提高高级2D特征图的空间分辨率，从而能够学习细粒度的3D表示。使用预训练的2D网络，所提出的预训练过程不需要额外的2D或3D标记数据，进一步减轻了昂贵的3D数据注释成本。据我们所知，我们是第一个利用现有的2D训练权重来预训练3D深度神经网络的人。我们密集的实验表明，使用2D知识预训练的3D模型可以提高3D网络在各种真实3D下游任务中的性能。
2021-12-27 cs.CV
RBPGAN: Recurrent Back-Projection GAN for Video Super Resolution
The American University in Cairo（开罗美国大学）；Amazon（亚马逊公司）
本文提出 RBPGAN，结合 RBPN 生成器与 TecoGAN 判别器，并引入 Ping-Pong 损失，以提升视频超分辨率的时间一致性与空间细节。
2023-12-10 cs.CV
CFMD: Dynamic Cross-layer Feature Fusion for Salient Object Detection
Office of Network and Digital Construction, JiangHan University（江汉大学网络与数字化建设办公室）；School of Artificial Intelligence,JiangHan University（江汉大学人工智能学院）
针对跨层特征金字塔网络计算瓶颈和上采样边界模糊问题，提出CFMD网络，通过CFLMA模块动态分配权重和CFLMD单元自适应上采样，显著提升了显著性目标检测的像素精度与边界分割质量。
2025-04-02 cs.AI cs.CV
Deep Back Projection for Sparse-View CT Reconstruction
Purdue University（普渡大学）
滤波反投影（FBP）是从正弦CT数据重建图像重建的经典方法。FBP是计算效率高，但产生较低的质量重建比更复杂的迭代方法，特别是当视图的数量低于所需的奈奎斯特速率。在本文中，我们使用深度卷积神经网络（CNN）直接从正弦图数据中生成高质量的重建。我们方法的主要新颖之处在于，我们首先分别对每个视图进行反向投影，以形成反向投影堆栈，然后将此堆栈作为卷积神经网络的输入。这些单视图反投影将正弦图数据的编码转换为适当的空间位置，然后可以通过CNN的空间不变性来利用该空间位置以有效地学习重建。我们证明了我们的CNN基于反投影的模拟稀疏视图CT数据在经典的FBP的好处。
2018-07-06 cs.CV eess.IV
Sparse-View CT Reconstruction using Recurrent Stacked Back Projection
Purdue University（普渡大学）
由于成本、采集时间或剂量的限制，稀疏视图CT重建在广泛的应用中是重要的。然而，传统的直接重建方法，如滤波反投影（FBP）导致低质量的重建在次奈奎斯特制度。相比之下，深度神经网络（DNN）可以从稀疏和噪声数据中生成高质量的重建，例如通过对FBP重建的后处理，基于模型的迭代重建（MBIR）也可以，尽管计算成本更高。在本文中，我们介绍了一种称为递归堆叠反投影（RSBP）的直接重建DNN方法，该方法使用单个视图的顺序获取的反投影作为递归卷积LSTM网络的输入。SBP结构保持正弦图中的所有信息，而循环处理利用相邻视图之间的相关性，并在每个新视图后产生更新的重建。我们在模拟数据上训练我们的网络，并在模拟和真实数据上进行测试，证明RSBP优于FBP图像的DNN后处理和基本MBIR，计算成本低于MBIR。
2021-12-09 cs.CV eess.IV
Hierarchical Back Projection Network for Image Super-Resolution
The Hong Kong Polytechnic University（香港理工大学）
基于深度学习的单图像超分辨率方法使用大量的训练数据集，并且最近在定量和定性方面都取得了很大的质量进展。大多数深度网络专注于通过残差学习从低分辨率输入到高分辨率输出的非线性映射，而不探索特征抽象和分析。我们提出了一个分层反投影网络（HBPN），级联多个HourGlass（HG）模块，以自下而上和自上而下的过程功能在所有尺度上捕捉各种空间相关性，然后巩固重建的最佳表示。我们在我们提出的网络中采用反投影块来提供误差相关的上下采样过程，以取代简单的反卷积和池化过程，以获得更好的估计。一种新的基于Softmax的加权重建（WR）过程被用于组合HG模块的输出以进一步提高超分辨率。在不同数据集（包括Real Image超分辨率挑战赛的验证数据集NTIRE 2019）上的实验结果表明，我们提出的方法可以实现并提高不同缩放因子的最先进方法的性能。
2019-06-20 cs.CV eess.IV
Image Super-Resolution via Attention based Back Projection Networks
The Hong Kong Polytechnic University（香港理工大学）
基于深度学习的图像超分辨率（SR）技术由于其对大数据的消化能力而得到了快速发展。一般来说，更深更宽的网络可以提取更丰富的特征图，并生成质量卓越的SR图像。然而，我们拥有的网络越复杂，实际应用所需的时间就越多。有一个简化的网络，有效的图像SR是很重要的。在本文中，我们提出了一个基于注意力的反投影网络（ABPN）的图像超分辨率。类似于最近的一些作品，我们认为，反投影机制可以进一步发展SR。增强反投影块建议迭代更新低和高分辨率的功能残留。受最近关于注意力模型的研究的启发，我们提出了一个空间注意力块（SAB）来学习不同层特征之间的互相关。基于下采样后好的SR图像应该接近原始LR图像的假设。我们提出了一个改进的反投影块（RBPB）的最终重建。在一些公共数据集和AIM 2019图像超分辨率挑战数据集上进行的大量实验表明，所提出的ABPN可以在定量和定性测量方面提供最先进甚至更好的性能。
2019-10-10 cs.CV cs.LG eess.IV
Sub-Pixel Back-Projection Network For Lightweight Single Image Super-Resolution
Trinity College Dublin（都柏林圣三一学院）；Rawky Tech LLP
基于卷积神经网络（CNN）的方法在单图像超分辨率（SISR）方面取得了巨大的成功。然而，大多数模型试图提高重建精度，同时增加模型参数的数量的要求。为了解决这个问题，在本文中，我们研究减少基于CNN的SISR方法的参数数量和计算成本，同时保持超分辨率重建性能的准确性。为此，我们引入了一种新的网络架构SISR，它罢工重建质量和低计算复杂度之间的良好权衡。具体来说，我们提出了一种迭代反投影架构，使用子像素卷积，而不是反卷积层。我们评估我们提出的模型与广泛的定量和定性评价的计算和重建精度的性能。实验结果表明，我们提出的方法使用更少的参数，降低了计算成本，同时保持重建精度对国家的最先进的SISR方法在著名的四个SR基准数据集。代码可在“https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution“上获得。
2020-08-03 cs.CV eess.IV
Analysis of the noise in back-projection light field acquisition and its optimization
Shanghai Institute of Optics and Fine Mechanics, Chinese Academy of Sciences（中国科学院上海光学精密机械研究所）；The University of Hong Kong（香港大学）
从通过焦平面扫描捕获的图像重建光场可以实现与现代相机传感器相当的高横向分辨率。这对于传统的基于微透镜的光场捕获系统是不可能的。然而，严重的散焦噪声和低的深度分辨率限制了它的应用。本文分析了焦平面扫描光场重建技术中的散焦噪声和深度分辨率，提出了一种降低散焦噪声、提高深度分辨率的方法。数值和实验结果都验证了所提出的方法。
2016-12-30 cs.CV physics.optics
Fast Back-Projection for Non-Line of Sight Reconstruction
Universidad de Zaragoza（萨拉戈萨大学）
最近的工作表明，非视线（NLOS）重建使用的时间分辨信号从多次散射光。这些工作将超快成像系统与计算相结合，将记录的时空信号反向投影，以构建隐藏几何的概率图。不幸的是，这种计算速度很慢，随着成像技术的改进而成为瓶颈。在这项工作中，我们提出了一种新的反投影技术的NLOS重建，这是高达一千倍的速度比以前的工作，几乎没有质量损失。我们基于这样的观察，即隐藏几何概率图可以被构建为由照亮隐藏几何的光和接收来自这样的隐藏几何的散射光的可见点定义的三次反弹时空流形的交叉点。这使得我们能够将隐藏几何的重建作为这些时空流形的体素化，这具有较低的理论复杂度，并且易于在GPU中实现。我们证明了我们的技术的效率和质量与以前的方法相比，在捕获和合成数据
2017-06-20 cs.CV cs.GR
A Convolutional Forward and Back-Projection Model for Fan-Beam Geometry
University of Florida（佛罗里达大学）
用于断层摄影图像重建的迭代方法对于从低剂量投影数据实现高质量成像具有巨大潜力。然而，迭代重建算法的计算负担一直是其在实际CT重建问题中采用的障碍。本文提出了一种在X射线CT扇形束几何条件下高效、精确地计算图像重建正演模型的方法。计算的效率使得这种方法适合于大规模的优化算法与飞行中，无记忆，计算的前向和反向投影。我们的实验证明了我们的模型在精度和效率上的改进，特别是对于一阶箱样条（即，像素为基础）与最近开发的用于此目的的方法相比，即基于查找表的射线积分（LTRI）和2-D中的可分离足迹（SF）。
2019-07-24 cs.CV cs.DC eess.IV
PSCT-Net: Geometry-Aware Pediatric Skull CT Reconstruction via Differentiable Back-Projection and Attention-Guided Refinement
Interdisciplinary Program in Bioengineering, Seoul National University（首尔大学生物工程跨学科项目）；Department of Transdisciplinary Medicine, Seoul National University Hospital（首尔大学医院跨学科医学系）；Department of Artificial Intelligence, Yonsei University（延世大学人工智能系）；Department of Medicine, Seoul National University College of Medicine（首尔大学医学院医学系）；Healthcare AI Research Institute, Seoul National University Hospital（首尔大学医院医疗人工智能研究所）
提出PSCT-Net，利用可微反投影建立空间先验，结合注意力引导投影和双向Mamba模块，从稀疏双平面X射线重建3D CT，缓解深度模糊并改善骨边界。
2026-09-10 cs.AI cs.CV
Back-Projection based Fidelity Term for Ill-Posed Linear Inverse Problems
Tel Aviv University（特拉维夫大学）
不适定线性逆问题存在于许多图像处理应用中，如去模糊、超分辨率、压缩感知等。许多恢复策略涉及最小化成本函数，该成本函数由保真度和先验项组成，由正则化参数平衡。虽然大量的研究集中在不同的先验模型上，但保真度项几乎总是被选择为最小二乘（LS）目标，这鼓励将线性变换的优化变量拟合到观测值。在本文中，我们研究了一个不同的保真度项，这已隐含地使用最近提出的迭代去噪和反向投影（IDBP）框架。该术语鼓励优化变量到线性算子的行空间上的投影与应用于观测的线性算子的伪逆（“反投影”）之间的一致性。我们分析研究两个保真度项之间的差异吉洪诺夫正则化和识别的情况下（如条件恶劣的线性算子），新的长期有一个优势，比标准的LS之一。此外，我们还从经验上证明了，对于复杂的凸和非凸先验（如全变差、BM 3D和深度生成模型），两个诱导成本函数的行为与所获得的理论分析相关。
2020-02-24 cs.CV cs.NA math.NA
Kernelized Back-Projection Networks for Blind Super Resolution
Toyota Technological Institute（丰田工业大学）
本文提出KCBPN和KBPN两种网络，通过迭代端到端方式集成核估计与SR分支，利用估计核进行残差反投影和前向传播，有效提升盲超分辨率性能。
2023-10-27 cs.CV eess.IV
Multi-Grid Back-Projection Networks
BOE Technology Group Co., Ltd.（京东方科技集团股份有限公司）
多网格反向投影（MGBP）是一种完全卷积的网络架构，可以学习恢复具有放大伪影的图像和视频。使用相同的策略，多网格偏微分方程（PDE）求解器，这种多尺度架构的规模计算复杂性有效地增加输出分辨率。基本处理块的灵感来自迭代反投影（IBP）算法，并构成一种类型的跨尺度残差块与低分辨率参考的反馈。该架构的性能与回归目标的最先进的替代方案相当，这些目标旨在恢复高分辨率图像或视频的精确副本，其中仅知道缩小图像。感知质量目标旨在通过引入可以与高分辨率原始内容不同的人工改变来创建更真实的输出，只要它们与低分辨率输入一致。为了实现这一目标，我们提出了一种策略，使用不同分辨率尺度的噪声输入来控制输出中生成的人工细节的数量。噪声输入控制网络用于创建人工逼真细节的创新量。该策略的有效性在基准测试中得到了证明，并被解释为一种特殊的遍历感知失真平面的策略。
2021-01-01 cs.CV cs.LG eess.IV
Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Artificial Intelligence Research Institute（人工智能研究院）；Higher School of Economics（高等经济学院）
领域转移是医学计算机视觉中最突出的挑战之一。由于扫描仪参数和成像协议的巨大差异，即使从同一个人和同一台扫描仪获得的图像也可能存在显著差异。我们解决了计算机断层扫描（CT）图像中的变化所造成的重建过程中使用的不同的卷积核，在CT的关键域移位因子。卷积核的选择会影响像素的粒度、图像平滑度和噪声水平。我们分析了成对的CT图像的数据集，其中平滑和锐利的图像是从具有不同内核的相同正弦图重建的，从而提供相同的解剖结构但不同的风格。虽然相同的预测是理想的，我们表明，一致性，衡量成对预测之间的平均骰子，只有0.54。我们提出了滤波反投影增强（FBPAug），一个简单的和令人惊讶的有效的方法来增强CT图像在正弦空间模拟重建不同的内核。我们应用所提出的方法在一个zero-shot域自适应设置，并显示出的一致性从0.54提升到0.92优于其他增强方法。既不需要源域数据的特定准备，也不需要目标域数据，因此我们公开发布的FBPAug可以用作任何基于CT的任务中的zero-shot域适配的即插即用模块。
2022-06-08 cs.CV eess.IV
Dual-domain U-Nets with embedded back projection operators for motion-resolved 4D CBCT reconstruction
该研究提出嵌入反投影算子的双域U-Net，从无呼吸信号或投影分箱的自由呼吸扫描中重建运动分辨的4D CBCT，在模拟与临床数据上均表现出更优的肿瘤、食道可见性及更少运动伪影，实现了高质量4D重建。
2026-08-05 cs.CV cs.LG
On the Convergence Rate of Projected Gradient Descent for a Back-Projection based Objective
Tel Aviv University（特拉维夫大学）
不适定线性反问题出现在许多科学系统中，通常通过求解由数据保真度和先验项组成的最优化问题来解决。最近，一些作品已经考虑了反投影（BP）为基础的保真度项作为一种替代常见的最小二乘（LS），并表现出良好的效果流行的反问题。这些工作还经验性地表明，使用BP项而不是LS项，需要更少的优化算法迭代。在本文中，我们研究的收敛速度的投影梯度下降（PGD）算法的BP目标。我们的分析可以确定其更快的收敛速度相比，使用LS目标的内在来源，同时只做温和的假设。我们还分析了更一般的近端梯度法在松弛收缩条件下对先验的近端映射的影响。该分析进一步突出了BP算法在线性测量算子条件不好时的优势。用$\ell_1$ -范数和基于GAN的先验进行的数值实验证实了我们的理论结果。
2021-08-08 cs.CV cs.LG cs.NA
Residual Back Projection With Untrained Neural Networks
University of Florida（佛罗里达大学）
针对CT图像重建中训练数据稀缺等问题，提出结合无训练U-net与残差反投影的RBP-DIP迭代重建框架，无需训练数据，在多种成像条件下性能优于现有方法。
2024-09-18 cs.CV cs.LG eess.IV
Ground Plane Projection for Improved Traffic Analytics at Intersections
Center of Vision Research (CVR) and Centre for AI & Society (CAIS) at York University（约克大学视觉研究中心（CVR）和人工智能与社会研究中心（CAIS））；Vector Institute for Artificial Intelligence（人工智能向量研究所）；Region of York（约克地区）；York University（约克大学）；University of Toronto（多伦多大学）
针对路口转弯流量自动统计任务，本文提出将摄像头检测到的车辆反投影至地平面开展3D坐标分析的方法，单/多摄像头实验均验证该方法可提升轨迹分类与流量统计精度。
2025-11-15 cs.AI cs.CV cs.LG
MGBPv2: Scaling Up Multi-Grid Back-Projection Networks
BOE Technology Co., Ltd.（京东方科技集团股份有限公司）
在这里，我们描述了我们为AIM-2019 Extreme Super-Resolution Challenge提供的解决方案，我们在与地面实况相似的感知质量（MOS）方面获得了第一名，并在高保真度（PSNR）方面获得了第五名。为了应对这一挑战，我们引入了第二代MultiGrid BackProjection网络（MGBPv 2），其主要修改使系统具有可扩展性，并且比其前身更通用。它结合了多重网格算法的可扩展性和迭代反投影的性能。在其原始形式中，由于强递归结构，MGBP仅限于少量参数。在MGBPv 2中，我们从网络的开始就充分利用了多重网格递归;我们允许网络的每个模块中有不同的参数;我们简化了主要模块;最后，我们允许根据操作规模调整网络特征的数量。对于推理任务，我们引入了重叠补丁方法，以进一步处理非常大的图像（例如8 K）。我们的训练策略利用多尺度损失，结合输出上的失真和/或感知损失以及缩小的输出图像。最终的系统可以在高质量和高性能之间取得平衡。
2019-09-27 cs.CV cs.LG eess.IV
ReconU-Net: a direct PET image reconstruction using U-Net architecture with back projection-induced skip connection
Central Research Laboratory, Hamamatsu Photonics K. K.（滨松光子学株式会社中央研究所）
本研究提出一种将反投影物理模型嵌入跳跃连接的 ReconU-Net 架构，用于直接 PET 图像重建，有效传递空间信息，在有限模拟数据训练下成功重建真实脑体模，显著提升了图像保真度。
2023-12-05 cs.CV cs.LG physics.med-ph
iSeeBetter: Spatio-temporal video super-resolution using recurrent generative back-projection networks
Stanford University（斯坦福大学）；University of Mumbai（孟买大学）
最近，基于学习的模型已经增强了单图像超分辨率（SISR）的性能。然而，连续地将SISR应用于每个视频帧导致缺乏时间相干性。卷积神经网络（CNN）在峰值信噪比（PSNR）和结构相似性（SSIM）等图像质量指标方面优于传统方法。然而，生成对抗网络（GANs）提供了一个竞争优势，因为它能够缓解缺乏更精细纹理细节的问题，这种问题通常在CNN以大的放大因子进行超分辨率时出现。我们提出了iSeeBetter，一种新的基于GAN的时空视频超分辨率（VSR）方法，可以呈现时间一致的超分辨率视频。iSeeBetter使用循环反投影网络的概念作为其生成器，从当前和相邻帧中提取空间和时间信息。此外，为了提高超分辨率图像的“自然度”，同时消除传统算法中的伪影，我们利用了来自超分辨率生成对抗网络（SRGAN）的伪影。虽然均方误差（MSE）作为主要损失最小化目标提高了PSNR/SSIM，但是这些度量可能无法捕获图像中的细节，从而导致感知质量的错误表示。为了解决这个问题，我们使用四重（MSE，感知，对抗和总变差（TV））损失函数。我们的研究结果表明，iSeeBetter提供卓越的VSR保真度和超越国家的最先进的性能。
2020-09-30 cs.AI cs.CV cs.LG
