Component Divide-and-Conquer for Real-World Image Super-Resolution
Sun Yat-sen University（中山大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Chinese Academy of Sciences（中国科学院大学）；DarkMatter AI
在本文中，我们提出了一个大规模的多样化的现实世界的图像超分辨率数据集，即，DRealSR，以及分而治之的超分辨率（SR）网络，探索指导SR模型与低级别的图像组件的实用性。DRealSR建立了一个新的SR基准与不同的现实世界的退化过程，减轻传统的模拟图像退化的局限性。通常，SR的目标随着具有不同低级别图像分量的图像区域而变化，例如，平坦区域的平滑度保持、边缘的锐化以及纹理的细节增强。使用传统的像素丢失来学习SR模型通常很容易被平坦区域和边缘所控制，并且无法推断复杂纹理的真实细节。我们提出了一个组件分而治之（CDC）模型和一个服从加权（GW）的损失SR。我们的CDC解析图像与三个组件，采用三个服从注意块（CAB）学习注意的面具和中间SR预测与中间监督学习策略，并训练SR模型如下分而治之的学习原则。我们的GW损失还提供了一种可行的方法来平衡SR的图像组件的困难。大量的实验验证了我们的CDC的优越性能和我们的DRealSR数据集与不同的现实世界场景相关的挑战性方面。我们的数据集和代码可在https://github.com/xiezw5/Component-Divide-and-Conquer-for-Real-World-Image-Super-Resolution上公开获取
2020-08-05 cs.CV
Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation
Northwestern Polytechnical University（西北工业大学）
Few-Shot分割是一种针对在少量密集标记样本下分割未知类目标的分割方法，受到了社会各界的广泛关注。现有的方法通常遵循原型学习范例来执行元推理，这未能充分利用来自支持图像-掩模对的底层信息，从而导致各种分割失败，例如，不完整的物体、模糊的边界和干扰物激活。为此，我们提出了一个简单而通用的框架，分而治之的精神。具体而言，一种新的自推理方案，首先实现的注释支持图像，然后粗分割掩模被分为多个区域具有不同的属性。利用有效的屏蔽平均池操作，一系列的支持诱导代理，从而获得，每个扮演一个特定的角色，在克服上述挑战。此外，我们设计了一个独特的并行解码器结构，集成了具有相似属性的代理，以提高鉴别能力。我们提出的方法，命名为分而治之代理（DCP），允许开发适当的和可靠的信息作为指导，在“情节”的水平，而不仅仅是对象线索本身。在PASCAL-5i和COCO-20 i上的大量实验表明，DCP比传统的基于原型的方法优越（平均高达5~10%），这也建立了一个新的国家的最先进的。代码可在github.com/chunbolang/DCP。
2022-05-30 cs.CV
Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach
The University of Sydney（悉尼大学）；Inria（法国国家信息与自动化研究所）
针对3D点云生成需兼顾局部与全局几何结构的难题，提出基于分治策略的逐块生成框架，结合可学习先验与点/块级transformer，在ShapeNet数据集上性能优于现有高保真点云生成SOTA方法。
2023-07-22 cs.CV
Dynamic Divide-and-Conquer Adversarial Training for Robust Semantic Segmentation
The Chinese University of Hong Kong（香港中文大学）；University of Oxford（牛津大学）；The University of Hong Kong（香港大学）；SmartMore（思谋科技）
对抗性训练有望提高深度神经网络对对抗性扰动的鲁棒性，特别是在分类任务上。相反，这种类型的训练对语义分割的影响才刚刚开始。我们通过制定一个通用的对抗性训练过程，可以在对抗性和干净的样本上表现良好，从而初步尝试探索语义分割的防御策略。我们提出了一种动态分治对抗训练（DDC-AT）策略，通过在训练过程中在目标模型中设置额外的分支，并处理具有不同属性的像素对对抗扰动，以提高防御效果。我们的动态划分机制将像素自动划分为多个分支。请注意，所有这些额外的分支可以在推理过程中放弃，因此不会留下额外的参数和计算成本。在PASCAL VOC 2012和Cityscapes数据集上对各种分割模型进行了广泛的实验，其中DDC-AT在白盒和黑盒攻击下都具有令人满意的性能。
2021-08-16 cs.CV
DC-Net: Divide-and-Conquer for Salient Object Detection
MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文将分而治之策略引入显著性目标检测，提出DC-Net，通过双编码器处理边缘与位置预测子任务，并利用两级残差嵌套ASPP模块聚合特征，在保持高效率的同时于多个数据集上取得竞争力。
2024-01-10 cs.CV
Indoor Panorama Planar 3D Reconstruction via Divide and Conquer
National Tsing Hua University（国立清华大学）；ASUS AICS（华硕AI研发中心）；Joint Research Center for AI Technology and All Vista Healthcare（AI技术与All Vista Healthcare联合研究中心）；Aeolus Robotics
室内全景通常由平行或垂直于重力的人造结构组成。我们利用这种现象来近似场景中的360度图像与（H）orizontal-planes和（V）ertical-planes。为此，我们提出了一种有效的分治策略，划分像素的基础上，他们的平面方向估计，然后，后续的实例分割模块征服的任务，更容易在每个平面方向组的平面聚类。此外，V平面的参数取决于摄像机的偏航旋转，但平移不变的CNN不太了解偏航变化。因此，我们提出了一个偏航不变的V平面重新参数化CNN学习。我们通过扩展现有的360深度数据集与地面真实H\& V平面（称为PanoH&V数据集），并采用最先进的平面重建方法来预测H\& V平面作为我们的基线，创建了一个室内全景平面重建的基准。我们的方法在所提出的数据集上的性能大大优于基线。
2021-09-09 cs.CV
ShadowHack: Hacking Shadows via Luminance-Color Divide and Conquer
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）
ShadowHack采用分治策略，将阴影处理分解为亮度恢复与颜色修复，分别通过LRNet和CRNet实现，在多个数据集上超越现有最先进方法。
2025-03-28 cs.CV
Learning to Divide and Conquer for Online Multi-Target Tracking
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
在线多目标跟踪（MTT）通常在检测跟踪范式中解决。检测先前独立地在每帧中提取，然后通过最大化专门设计的相干函数来构建对象轨迹。然而，在存在遮挡或检测错误的情况下会产生模糊性。在本文中，我们声称，在跟踪中的模糊性可以通过选择性地使用的功能来解决，通过与更可靠的功能，如果可能的话，并利用更深层次的目标表示，只有在必要的。为此，我们提出了一个在线分而治之的静态相机场景跟踪器，分区分配问题的局部子问题，并解决它们有选择地选择和组合的最佳功能。完整的框架被转换为一个结构化的学习任务，统一这些阶段，并从示例中学习跟踪器参数。在两个不同数据集上的实验突出了跟踪性能的显着改善（MOTA +10%）超过现有技术。
2015-09-14 cs.CV
Tech Report: Divide and Conquer 3D Real-Time Reconstruction for Improved IGS
本文提出一种模块化三维实时重建流水线，通过集成帧选择、Depth-Anything V2、EndoDAC 深度估计和改进 ICP 对齐，分而治之解决内窥镜手术追踪难题，并在 Hamlyn 数据集上验证有效性。
2024-12-31 cs.CV eess.IV
DCText: Scheduled Attention Masking for Visual Text Generation via Divide-and-Conquer Strategy
Seoul National University（首尔大学）；Samsung Electronics（三星电子）
DCText通过分而治之策略和注意力遮罩技术，实现高效视觉文本生成，提升长文本和多文本处理能力，同时保持图像质量和生成效率。
2025-12-08 cs.CV
From Open Set to Closed Set: Supervised Spatial Divide-and-Conquer for Object Counting
Huazhong University of Science and Technology（华中科技大学）；University of Adelaide（阿德莱德大学）
视觉计数是一项旨在从图像/视频中估计对象数量的任务，本质上是一个开集问题，即，理论上，种群的数量可以在[0，inf）中变化。然而，收集的数据和标记的实例在现实中是有限的，这意味着只能观察到一个小的封闭集。现有的方法通常以回归的方式对该任务进行建模，而它们容易遭受计数超出闭集范围的看不见的场景。事实上，计数有一个有趣而独特的性质-空间可分解。一个密集的区域总是可以被划分，直到子区域计数在先前观察到的闭集内。因此，我们引入了空间分治（S-DC）的思想，将开集计数转换为闭集问题。这个想法是由一个新的监督空间分治网络（SS-DCNet）。因此，SS-DCNet只能从闭集学习，但通过S-DC可以很好地推广到开集场景。SS-DCNet也很高效。为了避免重复计算子区域卷积特征，S-DC在特征图上而不是在输入图像上执行。我们提供了理论分析以及玩具数据的对照实验，证明了为什么闭集建模是有意义的。大量的实验表明，SS-DCNet达到了最先进的性能。代码和模型可在https://tinyurl.com/SS-DCNet上获得。
2020-05-31 cs.CV
DivCon: Divide and Conquer for Complex Numerical and Spatial Reasoning in Text-to-Image Generation
Individual Researcher（独立研究者）
DivCon通过分而治之的方法提升文本到图像生成中复杂数值和空间推理的能力，通过分解任务提高布局生成和图像合成的精度与质量。
2025-08-30 cs.CV
Divide-and-Conquer: Dual-Hierarchical Optimization for Semantic 4D Gaussian Spatting
Huazhong University of Science and Technology（华中科技大学）；Nanyang Technological University（南洋理工大学）
针对动态场景语义理解，提出双层级优化（DHO），通过层级高斯流与引导分治处理静态与动态部分，减少伪影，提升合成及真实数据集的性能，支持下游任务。
2025-03-25 cs.CV
Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery
The University of Hong Kong（香港大学）；University of Nottingham（诺丁汉大学）；Tencent（腾讯）
针对广义类别发现任务中现有方法忽略模型历史预测信息的问题，提出记忆一致性引导分治学习框架，通过记忆库衡量无标注样本可信度并分治学习，在多个基准上大幅超越现有最优模型。
2024-02-01 cs.CV
Deep Hierarchical Machine: a Flexible Divide-and-Conquer Architecture
Hong Kong University of Science and Technology（香港科技大学）；Huazhong University of Science and Technology（华中科技大学）
我们提出了深度层次机器（DHM），这是一种受到分治策略启发的模型，同时强调表示学习能力和灵活性。最近的深度神经决策/回归森林所使用的随机路由框架被纳入，但我们通过利用不同的拓扑结构并引入概率修剪技术来消除评估不必要的计算路径的需要。我们还展示了一个指定版本的DHM（DSHM）的效率，它继承了稀疏的特征提取过程中，在传统的决策树与像素差异功能。为了实现稀疏特征提取，我们提出了利用稀疏卷积操作在DSHM和显示一种可能性，通过使用本地二进制卷积层引入稀疏卷积核。DHM可以应用于分类和回归问题，我们验证了它的标准图像分类和人脸对齐任务，以显示其优势，比过去的架构。
2018-12-03 cs.AI cs.CV cs.LG
A Superimposed Divide-and-Conquer Image Recognition Method for SEM Images of Nanoparticles on The Surface of Monocrystalline silicon with High Aggregation Degree
North China University of Science and Technology（华北理工大学）
硅晶体的SEM图像中的纳米颗粒尺寸和分布信息通常通过手动方法计数。实现机器自动识别在材料科学中具有重要意义。提出了一种叠加分割图像识别方法，实现了纳米硅晶SEM图像的自动识别和信息统计。特别是针对硅晶体粒度复杂、高度聚集的特点，给出了基于形态学处理的精确识别步骤和轮廓统计方法。该方法对不同SEM拍摄条件下单晶硅表面纳米颗粒图像的识别具有技术参考价值。此外，它优于其他方法在识别精度和算法效率。
2022-06-04 cs.AI cs.CV
A recursive divide-and-conquer approach for sparse principal component analysis
Xi'an Jiaotong University（西安交通大学）
本文提出了一种基于递归分治法的稀疏主成分分析新方法。其主要思想是将原始稀疏PCA问题分离成一系列更简单的子问题，每个子问题都有一个封闭形式的解决方案。通过递归求解这些子问题的解析方法，构造了求解稀疏PCA问题的有效算法。该算法只涉及简单的计算，因此易于实现。所提出的方法也可以很容易地扩展到其他稀疏PCA的问题，如非负稀疏PCA的问题有一定的约束。此外，我们已经表明，该算法收敛到问题的一个稳定点，其计算复杂性是近似线性的数据大小和维数。通过对一系列合成数据和真实数据的大量实验，从重建误差最小化和数据方差最大化的角度验证了该方法的有效性。
2012-11-30 cs.CV cs.LG stat.ML
Divide-and-Conquer Adversarial Learning for High-Resolution Image and Video Enhancement
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
本文介绍了一种用于照片增强的分治启发对抗学习（DACAL）方法。其核心思想是将照片增强过程分解为层次化的多个子问题，自下而上可以更好地解决。在顶层，我们提出了一个基于感知的划分来学习加法和乘法分量，这是将低质量图像或视频转换为高质量图像或视频所需的。在中间层面，我们使用基于频率的划分与生成对抗网络（GAN）来弱监督照片增强过程。在底层，我们设计了一种基于维度的划分，使GAN模型能够更好地近似多个独立一维数据上的分布距离，以训练GAN模型。在考虑所有三个层次的同时，我们开发了多尺度和循环训练方法，以弱监督的方式优化图像和视频增强过程。定量和定性的结果都清楚地表明，所提出的DACAL实现了高分辨率图像和视频增强的最先进的性能。
2019-10-23 cs.CV cs.LG eess.IV
Divide-and-Conquer for Enhancing Unlabeled Learning, Stability, and Plasticity in Semi-supervised Continual Learning
Nanjing University（南京大学）；Southeast University（东南大学）
提出USP分而治之框架，通过特征空间预留、分而治之伪标签和类均值锚定蒸馏，协同增强半监督持续学习中的可塑性、无标签学习和稳定性，最后准确率提升达5.94%。
2025-08-07 cs.CV cs.LG
Deep Manifold Hashing: A Divide-and-Conquer Approach for Semi-Paired Unsupervised Cross-Modal Retrieval
Huazhong University of Science and Technology（华中科技大学）；Research Institute of Huazhong University of Science and Technology in Shenzhen（华中科技大学深圳研究院）；Deeproute Co. Ltd（元戎启行有限公司）；Southern University of Science and Technology（南方科技大学）；Guizhou Normal University（贵州师范大学）
将数据投影为二进制代码的散列在跨模态检索中显示出非凡的才能，这是由于其低存储使用率和高查询速度。尽管它们在某些场景下取得了经验性的成功，但现有的跨模态哈希方法通常在不存在具有大量标记信息的完全配对数据时无法跨越模态间隙。为了克服这个缺点，在分治策略的激励下，我们提出了深度流形哈希（DMH），一种将半成对无监督跨模态检索问题划分为三个子问题并为每个子问题构建一个简单而有效的模型的新方法。具体地，第一模型被构造用于通过基于流形学习补充半配对数据来获得模态不变特征，而第二模型和第三模型的目的分别是学习哈希码和哈希函数。在三个基准上的大量实验表明，与最先进的完全配对和半配对无监督跨模态哈希方法相比，我们的DMH具有优越性。
2022-09-26 cs.AI cs.CV
Analyzing an Imitation Learning Network for Fundus Image Registration Using a Divide-and-Conquer Approach
FAU Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；University of Leeds（利兹大学）
眼底镜图像上微血管循环的比较是用于诊断和监测疾病（例如糖尿病和高血压）的非侵入性临床指征。患者内图像之间的差异可以通过配准连续采集来定量评估。由于图像的可变性（即对比度、亮度）和视网膜的解剖学变化，眼底图像的配准仍然是一项具有挑战性的任务。最近，已经提出了几种深度学习方法来以端到端的方式配准眼底图像，取得了显着的效果。然而，结果很难解释和分析。在这项工作中，我们提出了一个模仿学习框架，用于注册的二维彩色眼底图像的疾病监测，图像拼接和超分辨率等广泛的应用。我们遵循分而治之的方法来提高所提出的网络的可解释性，并分析了输入图像和超参数对配准结果的影响。结果表明，该配准网络将初始目标配准误差降低到95%.
2019-12-19 cs.CV cs.LG eess.IV
