NeuralRemaster: Phase-Preserving Diffusion for Structure-Aligned Generation
Toyota Research Institute(丰田研究院);University of Texas, Austin(德克萨斯大学奥斯汀分校);Johns Hopkins University(约翰霍普金斯大学)
NeuralRemaster通过保留相位并随机化幅度,实现结构对齐的图像和视频生成,提升模拟到现实的转换性能。
2026-03-05 cs.CV cs.GR cs.LG
Adaptive Diffusion Freezing: Privacy-preserving Diffusion Models Against Membership Inference Attacks
Beihang University(北京航空航天大学)
针对扩散模型成员推断攻击的隐私泄露问题,提出自适应扩散冻结(ADF)框架,通过跨时间步掩码控制数据参与并基于风险感知策略抑制高风险子集,实现隐私、效用与效率的最优权衡。
2026-09-11 cs.CR cs.LG
Discrete Spatial Diffusion: Intensity-Preserving Diffusion Modeling
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
针对传统连续扩散模型无法适配受守恒定律约束的离散量应用的问题,提出基于离散状态跳跃随机过程的DSD框架,可严格保持粒子计数,在图像任务和两类科学场景中验证了有效性。
2025-05-16 cond-mat.mtrl-sci cs.GR cs.LG
GaitCrafter: Diffusion Model for Biometric Preserving Gait Synthesis
CRCV, University of Central Florida(CRCV,中央佛罗里达大学)
本文提出 GaitCrafter,一个仅基于步态剪影数据从零训练的扩散模型框架,可生成身份一致、可控且保护隐私的步态序列,并支持生成新身份以提升步态识别性能。
2025-08-18 cs.AI cs.CV
A Brief Survey of Recent Edge-Preserving Smoothing Algorithms on Digital Images
A.K.Choudhury School of Information Technology(A.K.乔杜里信息技术学院);Institute of Radio Physics and Electronics(无线电物理与电子研究所);University of Calcutta(加尔各答大学)
边缘保持滤波器在模糊图像的同时保持边缘及其信息。换句话说,它们用于平滑图像,同时减少边缘模糊效应,如光晕,幻影等。示例是双边滤波器、各向异性扩散滤波器、引导滤波器、三边滤波器等。因此,这些滤波器家族在降低图像中的噪声方面非常有用,使得图像在计算机视觉和计算摄影应用中非常苛刻,例如去噪、视频抽象、去马赛克、光流估计、立体匹配、色调映射、风格转移、本文从热扩散方程出发,具体介绍了从古到今的边缘保持滤波器,概述了它的许多应用,以及数学分析,各种有效和优化的实现方式及其相互关系,在噪声存在的情况下,重点保护边界、尖峰和峡谷。此外,它提供了一个现实的概念,有效的实施与研究范围的硬件实现进一步加速。
2015-03-25 cs.CV
InsertDiffusion: Identity Preserving Visualization of Objects through a Training-Free Diffusion Architecture
BMW Group(宝马集团);Technical University of Munich(慕尼黑工业大学);University of Augsburg(奥格斯堡大学)
针对无需大量训练就难以将物体逼真嵌入背景的问题,本文提出免训练扩散架构InsertDiffusion,使用现成模型无需微调,在图像真实感和条件对齐度上优于现有方法,可拓展扩散模型的实际应用能力。
2024-07-15 cs.CV
Fisher-Preserving Guidance: Training-Free Manifold Constraints for Safe Diffusion Control
Sun Yat-sen University, Guangzhou, China(中山大学,广州,中国);Insta360 Research, Shenzhen, China(Insta360研究院,深圳,中国)
提出一种免训练的Fisher保持引导方法,通过低秩雅可比分解计算Fisher保持更新,并利用截断Fisher去噪敏感性作为不确定性信号,在视觉导航中实现可靠且高效的轨迹预测。
2026-05-28 cs.LG cs.RO
LGDC: Latent Graph Diffusion via Spectrum-Preserving Coarsening
University College London(伦敦大学学院);MediaTek Research(联发科研究);University of Oxford(牛津大学)
LGDC通过结合自回归和扩散模型的优点,提出一种谱保持粗化的方法,实现高效图生成。
2025-12-01 cs.LG
Photorealistic and Identity-Preserving Image-Based Emotion Manipulation with Latent Diffusion Models
National Technical University of Athens(雅典国立技术大学)
本文提出一种结合潜在扩散模型与CLIP潜在表示的图像情感操控方法,在AffectNet上验证其在图像质量和真实感方面优于多种GAN方法,并公开代码。
2023-08-06 cs.CV
Privacy Preserving Diffusion Models for Mixed-Type Tabular Data Generation
Deutsche Bundesbank(德国联邦银行);Swiss Federal Audit Office(瑞士联邦审计局);University of St.Gallen(圣加伦大学)
DP-FinDiff通过差分隐私保护实现混合类型表格数据生成,提升数据生成质量和实用性,适用于敏感领域数据共享。
2025-11-29 cs.LG
MSCE: An edge preserving robust loss function for improving super-resolution algorithms
Indian Institute of Science(印度科学学院)
随着最近CNN和GANs等深度学习技术的进步,通过基于深度学习的超分辨率(SR)技术重建的图像质量有了显著提高。在这项工作中,我们提出了一个强大的损失函数的基础上得到的Canny算子的边缘保存。该损失函数在与现有的损失函数(例如均方误差(MSE))组合时给出了在PSNR和SSIM方面测量的更好的SR重建。我们提出的损失函数保证改进性能的任何现有的算法使用MSE损失函数,在测试过程中没有任何增加的计算复杂性。
2018-08-25 cs.CV cs.LG stat.ML
ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition
National University of Singapore(新加坡国立大学);Tencent Youtu Lab(腾讯优图实验室)
针对扩散式合成人脸识别难以泛化到真实人脸的问题,提出ID$^3$模型,通过身份保持损失与调整梯度向量场上的采样算法兼顾类间、类内多样性和身份一致性,并在五个基准上验证优势。
2024-10-24 cs.CV
CPDM: Content-Preserving Diffusion Model for Underwater Image Enhancement
Guangzhou University(广州大学)
针对水下图像增强中现有方法的性能瓶颈问题,提出结合条件输入模块与内容补偿模块的内容保持扩散模型CPDM,在主客观指标上均优于现有最优方法。
2024-01-28 cs.CV
On the Importance of Conditioning for Privacy-Preserving Data Augmentation
University of Augsburg(奥格斯堡大学)
本文揭示以深度图或边缘为条件的潜在扩散模型用于数据匿名化时存在隐私泄露风险,并通过对比学习和黑盒攻击验证其可被用于身份识别。
2025-04-08 cs.CV
HaineiFRDM: Structure-Preserving Diffusion for Film Restoration under Fast Motion and Diverse Defects
Tongji University, Shanghai, China(同济大学);Shanghai Film Restoration Laboratory, Shanghai, China(上海电影修复实验室)
针对电影修复中快速运动导致肢体消失和结构扭曲的问题,提出基于扩散模型的HaineiFRDM,采用内容感知修复、分块策略与位置感知全局融合模块,实现高分辨率保结构修复,并引入频率模块增强纹理一致性。
2026-06-25 cs.AI cs.CV cs.MM
Preserving Spectral Structure and Statistics in Diffusion Models
Department of Civil Engineering and Engineering Mechanics, Columbia University, NY, United States(土木工程与工程力学系,哥伦比亚大学,纽约,美国)
PreSS通过在谱空间中保持信息性先验和结构信号,提升扩散模型的生成质量和效率。
2026-02-06 cs.CV
Quantum State Generation with Structure-Preserving Diffusion Model
Georgia Tech(佐治亚理工学院);Caltech(加州理工学院)
提出基于镜像扩散与冯·诺依曼熵的结构保持扩散模型,实现严格满足量子态约束的无条件与条件生成,支持新量子态设计。
2024-05-25 cs.LG quant-ph stat.ML
DiffSwap++: 3D Latent-Controlled Diffusion for Identity-Preserving Face Swapping
UNC Charlotte(北卡罗来纳大学夏洛特分校)
本研究提出DiffSwap++,一种融入3D人脸潜在特征的扩散人脸交换方法,可在保留源身份的同时维持目标姿态表情,在多数据集实验及评估中性能优于现有方法。
2026-08-25 cs.CV
Face inpainting with Identity Preserving Latent Diffusion Models
Institute for Systems and Robotics(系统与机器人研究所)
本文提出ID-ControlNet,利用潜在扩散模型实现面部修复,通过身份嵌入保持身份一致性,实验表明其在CelebA-HQ等数据集上优于传统方法,接近最先进的身份感知方法。
2026-05-15 cs.CV
Structure-Preserving Zero-Shot Image Editing via Stage-Wise Latent Injection in Diffusion Models
Department of Image(图像系);Department of Artificial Intelligence(人工智能系)
本研究提出一种基于扩散模型的零样本图像编辑框架,通过阶段式潜变量注入策略与扩散反转等技术,在保留源图结构的同时实现精准细粒度编辑,无需微调即可统一文本与参考引导编辑,在多类编辑任务上达到SOTA性能。
2025-05-20 cs.CV
DiffusionEdge: Diffusion Probabilistic Model for Crisp Edge Detection
Hunan University(湖南大学);National University of Defense Technology(国防科技大学)
提出首个用于通用边缘检测的扩散模型DiffusionEdge,通过在潜在空间应用DPM并采用解耦架构与自适应傅里叶滤波器,在有限资源下稳定训练并生成清晰准确的边缘图,在多个基准上显著提升性能。
2024-01-09 cs.CV
Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对现有基于扩散模型的对抗纯化方法去噪时易丢失样本信息、导致分类标签偏移的问题,提出分类器置信度引导的COUP算法,在强攻击下实现了更优的对抗鲁棒性。
2024-08-12 cs.CV
Vera: A Layered Diffusion Model for Content-Preserving Video Editing
California Institute of Technology(加州理工学院);Netflix, Inc(Netflix公司)
提出Vera分层扩散框架,通过生成编辑层和alpha遮罩与源视频合成,利用混合Transformer架构和高质量分层数据集,在保持内容的同时实现高质量编辑。
2026-06-23 cs.CV
Identity-Preserving Aging of Face Images via Latent Diffusion Models
New York University(纽约大学)
针对跨年龄人脸数据稀缺问题,本文提出并训练基于文本提示控制的潜在文本到图像扩散模型,用于少样本人脸老化与去老化,并在CelebA和AgeDB上验证其真实感、身份保真度及识别性能提升。
2023-07-17 cs.CV
On-demand Quantization for Green Federated Generative Diffusion in Mobile Edge Networks
School of Automation, Guangdong University of Technology(广东工业大学自动化学院);School of Electronics Information and Electrical Engineering, Shanghai Jiao Tong University(上海交通大学电子信息与电气工程学院);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);School of Software Engineering, Beijing Jiaotong University(北京交通大学软件学院)
针对移动边缘网络中联邦训练生成扩散模型的高通信与能耗问题,提出按需量化节能联邦扩散方法,可适配边缘设备需求,在保障生成数据质量与多样性的同时显著降低能耗与传输量。
2024-03-07 cs.DC cs.LG cs.NI
Smooth and iteratively Restore: A simple and fast edge-preserving smoothing model
Vienna University of Technology(维也纳工业大学)
在图像处理中,它可以是一个有用的预处理步骤,以平滑小结构,如噪声或不重要的细节,同时通过保持边缘,分离对象,清晰,保留图像的整体结构。通常,这种边缘保持平滑处理是使用边缘感知滤波器来实现的。然而,如果这些滤波器包含边缘,则它们也可以保留不想要的小结构。在这项工作中,我们提出了一种新的框架,边缘保持平滑分为两个不同的步骤的过程:第一,使用模糊滤波器的图像进行平滑,在第二步中的重要边缘恢复使用引导边缘感知滤波器。所提出的方法被证明提供非常好的结果,与最先进的边缘保持平滑滤波器相比,特别是在去除不需要的小结构。此外,它是非常通用的,可以很容易地适应不同的应用领域,而在同一时间是非常快的计算,因此非常适合于实时的应用。
2015-05-25 cs.CV
Laplacian-Based Dimensionality Reduction Including Spectral Clustering, Laplacian Eigenmap, Locality Preserving Projection, Graph Embedding, and Diffusion Map: Tutorial and Survey
University of Waterloo(滑铁卢大学)
这是一个教程和调查文件的非线性维数和特征提取方法的基础上,拉普拉斯的图形数据。首先介绍了邻接矩阵、拉普拉斯矩阵的定义以及拉普拉斯算子的解释。然后,我们覆盖了图的切割和谱聚类,它应用于数据的子空间中的聚类。解释了拉普拉斯特征映射及其样本外扩展的不同优化变体。之后,我们引入了保局投影及其核变体作为拉普拉斯特征映射的线性特例。图嵌入的版本,然后解释这是广义版本的拉普拉斯特征映射和局部保持投影。最后介绍了一种基于数据的拉普拉斯算子和数据图上的随机游动的扩散映射方法。
2022-08-06 cs.CV cs.LG stat.ML
Edge Preserving Multi-Modal Registration Based On Gradient Intensity Self-Similarity
Technion - Israel Institute of Technology(以色列理工学院)
图像配准是医学成像领域的一项具有挑战性的任务。特别是,准确的边缘配准在各种临床条件中起着核心作用。模态独立邻域描述符(MIND)展示了基于图像自相似性的最新对齐技术。然而,该方法在边缘配准方面似乎不太准确。在这项工作中,我们提出了一种新的注册方法,结合梯度强度和MIND自相似性度量。实验结果表明,该方法在边缘配准任务中的优越性,同时保留了原有的MIND性能的其他图像特征和纹理。
2014-12-12 cs.CV
Evaluation and Comparison of Edge-Preserving Filters
School of Computer Science and Engineering(计算机科学与工程学院);The Hebrew University of Jerusalem(希伯来大学)
边缘保留滤镜在计算摄影的一些最基本任务中发挥着至关重要的作用,例如抽象、色调映射、细节增强和纹理去除等。平滑算子的丰富性和多样性,加上缺乏评价输出质量和/或在它们之间进行无偏比较的方法,可能导致误解和对这些方法的潜在滥用。本文介绍了一个系统的方法来评估和比较这些运营商,并证明了它在一个不同的出版边缘保持过滤器。此外,我们提出了一个共同的基线,沿不同的运营商可以实现比较,并使用它来确定方法之间的等效参数映射。最后,我们提出了一些准则,客观的比较和评价的边缘保持过滤器。
2020-12-26 cs.CV eess.IV
Enhanced Edge-Perceptual Guided Image Filtering
提出一种整合一阶边缘保护与残差约束的引导图像滤波器,以增强边缘保持并减少光晕伪影,在细节增强、曝光融合和高光谱分类中表现优异。
2023-10-16 cs.CV cs.GR
Edge-Preserving Guided Semantic Segmentation for VIPriors Challenge
National Pingtung University of Science and Technology(屏东科技大学)
语义分割是计算机视觉中最具吸引力的研究领域之一。在VIPriors挑战中,仅允许非常有限数量的训练样本,导致当前最先进的基于深度学习的语义分割技术难以很好地训练。为了克服这个缺点,因此,我们提出了边缘保护的指导,以获得额外的先验信息,以避免在小规模的训练数据集下的过拟合。首先,将双通道卷积层连接到传统语义分割网络的最后一层。然后,通过Sobel操作从地面真值计算边缘图,然后连接硬阈值操作以指示像素是否是边缘。然后,采用二维交叉熵损失来计算预测的边缘图与其真实值之间的损失,称为边缘保持损失。通过这种方式,不同实例之间的边界的连续性可以通过所提出的边缘保持损失来强制。实验结果表明,与现有的语义分割方法相比,该方法在小规模训练集下具有良好的分割效果。
2020-07-17 cs.CV
A Benchmark for Edge-Preserving Image Smoothing
The University of Hong Kong(香港大学);The Hong Kong Polytechnic University(香港理工大学);Xidian University(西安电子科技大学);Deepwise AI Lab(深睿人工智能实验室)
边缘保持图像平滑是解决低层视觉问题的重要步骤。虽然已经提出了许多算法,但仍有一些困难阻碍了它的进一步发展。首先,大多数现有的算法不能使用单个参数设置在广泛的图像内容上表现良好。其次,边缘保持图像平滑的性能评估仍然是主观的,缺乏一个广泛接受的数据集来客观地比较不同的算法。为了解决这些问题,并进一步推进最先进的,在这项工作中,我们提出了一个基准的边缘保持图像平滑。该基准测试包括一个图像数据集,其中包含地面实况图像平滑结果以及基线算法,这些算法可以为各种图像内容生成具有竞争力的边缘保留平滑结果。已建立的数据集包含500个具有代表性视觉对象类别的训练和测试图像,而我们基准测试中的基线方法建立在代表性深度卷积网络架构上,在此基础上,我们设计了非常适合边缘保持图像平滑的新型损失函数。经过训练的深度网络比大多数最先进的平滑算法运行得更快,在定性和定量方面都具有领先的平滑结果。该基准可通过https://github.com/zhufeida/Benchmark_EPS公开访问。
2019-04-02 cs.CV
Edge Preserving Implicit Surface Representation of Point Clouds
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);SmartMore Co., Ltd.(思谋科技有限公司);National University of Defense Technology(国防科技大学)
直接从原始数据中学习隐式曲面由于其优良的性能,近年来已成为三维重建任务中非常有吸引力的表示方法。然而,随着原始数据质量的恶化,隐式函数往往导致不满意的重建结果。为此,我们提出了一种新的边缘保持隐式曲面重建方法,它主要包括一个可微Laplican正则化和动态边缘采样策略。其中,微分Laplacian正则化算子能有效缓解点云质量恶化导致的隐式曲面不光滑;同时,为了减少隐式曲面边缘区域的过度平滑,提出了一种在点云锐边附近采样的动态边缘提取策略,有效避免了Laplacian正则化算子对所有区域的平滑。最后,我们将它们与一个简单的正则化项相结合,以实现鲁棒的隐式曲面重建。实验结果表明,与现有的方法相比,该方法明显提高了三维重建结果的质量。实验结果表明,该方法可以方便有效地应用于点云边缘特征提取、法线估计等分析任务。
2023-01-12 cs.CV cs.GR
Improved Edge Awareness in Discontinuity Preserving Smoothing
North Carolina State University(北卡罗来纳州立大学)
不连续性保持平滑是一个非常重要的过程,在各种各样的图像处理环境中都是有用的。它直接用于降噪,并且经常用作高级算法中的中间步骤。例如,它在边缘检测和分割中特别有用。三个著名的算法保持不连续性平滑的非线性各向异性扩散,双边滤波,和均值漂移滤波。虽然细微的差异使它们更适合不同的任务,但所有这些都是为了在平滑时保留不连续性。然而,它们都不能完美地满足这一目标:它们都有例外情况,其中平滑可能发生在硬边缘上。本文的主要贡献是识别的属性,我们称之为边缘意识,应满足任何不连续性保持平滑算法。这个约束可以被合并到现有的算法中以提高质量,并且通常在运行时性能和/或复杂性方面具有可忽略的变化。我们提出了增强扩散和均值漂移所需的修改,以及统一空间和范围空间以实现边缘感知的双边滤波器的新公式。
2011-03-30 cs.CV
Guided Filter based Edge-preserving Image Non-blind Deconvolution
Jilin University(吉林大学)
在这项工作中,我们提出了一种新的方法,有效的边缘保持图像反卷积。我们的算法是基于一种新型的显式图像滤波引导滤波器。引导滤波器可以像流行的双边滤波器一样用作边缘保持平滑算子,但在边缘附近具有更好的行为。我们提出了一种有效的迭代算法,在恢复过程中去模糊和去噪步骤的解耦。在去模糊步骤中,我们提出了两个可以用快速傅立叶变换有效计算的代价函数。第一个解被用作引导图像,另一个解将在下一步中被过滤。在去噪步骤中,引导滤波器与获得的两幅图像一起使用,以进行高效的边缘保留滤波。此外,我们推导出一个简单有效的方法,自动调整正则化参数在每次迭代。我们比较我们的反卷积算法与许多竞争力的反卷积技术的ISNR和视觉质量。
2016-09-07 cs.CV
EpicFlow: Edge-Preserving Interpolation of Correspondences for Optical Flow
Inria(法国国家信息与自动化研究所);NYU(纽约大学)
我们提出了一种新的方法,光流估计,针对大位移与重大闭塞。它包括两个步骤:i)通过来自稀疏匹配集的边缘保持插值的密集匹配; ii)用密集匹配初始化的变分能量最小化。稀疏到密集插值依赖于距离的适当选择,即边缘感知测地线距离。这个距离是为处理遮挡和运动边界而定制的--这是光流计算的两个常见且困难的问题。我们还提出了一个近似方案的测地线距离,允许快速计算而不损失性能。在密集插值步骤之后,对密集匹配进行标准的一级变分能量最小化以获得最终的流估计。所提出的方法,称为边缘保持对应插值(EpicFlow)是快速和强大的大位移。它的性能明显优于MPI-Sintel的最新技术水平,并与Kitti和Middlebury不相上下。
2015-05-19 cs.CV
Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution
KUNBYTE(坤比特);GOLDMYE(金迈)
本文提出了一种考虑退化和保持结构的扩散框架,通过引入退化感知的token注入和空间非对称噪声注入,提升现实世界图像超分辨率的感知质量和结构保持性。
2026-04-13 cs.CV
Color image denoising by chromatic edges based vector valued diffusion
University of Missouri-Columbia(密苏里大学哥伦比亚分校);Instituto de Telecomunicações(电信研究所);University of Beira Interior(贝拉内陆大学)
在这封信中,我们提出了一种改进的几何扩散方案,通过数字彩色图像去噪。通过将从所有三个颜色通道检测到的边缘引入到扩散中,所提出的方案避免了颜色拖尾伪影。采用矢量扩散控制平滑,并考虑了彩色图像的几何特性。引入了从不同平面计算的彩色边缘强度函数,阻止了彩色边缘间的扩散。实验结果表明,与其他相关方案相比,该方案在去噪的同时保持了边缘。
2013-05-15 cs.CV
Edge-preserving Near-light Photometric Stereo with Neural Surfaces
Osaka University(大阪大学);Peking University(北京大学)
本文提出了一种近光光度立体方法,可以在3D重建中忠实地保留尖锐的深度边缘。与以前的方法,依赖于有限差分近似深度偏导数和表面法线,我们引入了一个解析可微的神经表面在近光光度立体,以避免差分误差在尖锐的深度边缘,其中的深度表示为图像坐标的神经函数。通过进一步制定的朗伯函数作为一个因变量,从表面法线和深度,我们的方法是不易受不准确的深度初始化。合成和真实场景的实验证明了我们的方法的有效性,详细的形状恢复与边缘保护。
2022-07-11 cs.CV
Efficient Privacy Preserving Edge Computing Framework for Image Classification
Prairie View A&M University, Texas A&M University System(普雷里维尤农工大学,德克萨斯A&M大学系统)
为了从边缘设备收集的大量数据中提取知识,由于通信带宽限制以及最终用户的隐私和安全问题,需要数据上传的传统基于云的方法可能不可行。为了解决这些问题,本文提出了一种新的隐私保护边缘计算框架的图像分类。具体来说,自动编码器将在每个边缘设备上单独进行无监督训练,然后将获得的潜在向量传输到边缘服务器用于训练分类器。该框架将减少通信开销并保护最终用户的数据。与联邦学习相比,该框架中分类器的训练不受边缘设备的约束,自动编码器可以在每个边缘设备上独立训练,无需任何服务器参与。此外,通过传输潜在向量来保护最终用户数据的隐私,而无需额外的加密成本。实验结果提供了关于图像分类性能与各种设计参数(例如自动编码器的数据压缩比和模型复杂度)的关系的见解。
2021-09-04 cs.CR cs.CV cs.LG
FiDeSR: High-Fidelity and Detail-Preserving One-Step Diffusion Super-Resolution
Kyungpook National University;Korea Electronics Technology Institute
FiDeSR通过细节感知加权策略和残差-残差噪声细化,实现高保真且细节保留的一步扩散超分辨率
2026-03-03 cs.CV
APPLE: Attribute-Preserving Pseudo-Labeling for Diffusion-Based Face Swapping
KAIST AI(韩国科学技术院人工智能);SAMSUNG(三星)
本文提出APPLE框架,通过条件去模糊和属性感知反向方案提升面部交换中属性保留能力,实现高保真属性与身份转移。
2026-03-30 cs.CV
Edge-aware Bidirectional Diffusion for Dense Depth Estimation from Light Fields
Brown University(布朗大学);KAIST(韩国科学技术院)
我们提出了一种算法,通过一组稀疏的深度边缘和梯度,从光场估计快速和准确的深度图。我们提出的方法是基于真实深度边缘比纹理边缘对局部约束更敏感的想法,因此它们可以通过双向扩散过程可靠地消除歧义。首先,我们使用核线平面图像估计子像素视差在一个稀疏的像素集。为了有效地找到稀疏点,我们提出了一种基于熵的细化方法,从有限的一组定向滤波器组的线估计。接下来,为了估计远离稀疏点的扩散方向,我们通过我们的双向扩散方法优化这些点的约束。这解决了边缘属于哪个表面的模糊性,并可靠地将深度与纹理边缘分开,使我们能够以深度边缘和遮挡感知的方式扩散稀疏集,以获得准确的密集深度图。
2021-07-07 cs.CV
Edge-preserving Image Denoising via Multi-scale Adaptive Statistical Independence Testing
University of Science and Technology(科技大学)
针对固定窗口边缘检测的尺度不匹配与计算冗余问题,提出结合通道注意力与独立性检验的多尺度自适应方法EDD-MAIT,动态调整窗口大小以保留细节并抑制噪声,在多个数据集上显著提升F分数、MSE、PSNR等指标且减少运行时间,对高斯噪声具强鲁棒性。
2025-05-02 cs.CV
InpaintHuman: Reconstructing Occluded Humans with Multi-Scale UV Mapping and Identity-Preserving Diffusion Inpainting
Hangzhou Dianzi University(杭州电子科技大学);Alibaba International Digital Commerce Group(阿里巴巴国际数字商业集团);Wuhan University(武汉大学);University of Melbourne(墨尔本大学)
InpaintHuman通过多尺度UV映射和身份保持扩散修复技术,从被遮挡的单目视频中生成高保真、完整且可动画的3D人类化身。
2026-01-05 cs.CV
EGP3D: Edge-guided Geometric Preserving 3D Point Cloud Super-resolution for RGB-D camera
School of Data Science, The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳)数据科学学院);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));City University of Hong Kong(香港城市大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Tsinghua University(清华大学)
针对RGB-D相机点云低分辨率及现有方法边缘细节不足的问题,提出EGP3D方法,通过二维投影边缘约束和多方面损失函数优化,实现高质量边缘保持与几何细节保留,并在仿真和真实实验中验证优越性。
2024-12-16 cs.CV
GFT-GCN: Privacy-Preserving 3D Face Mesh Recognition with Spectral Diffusion
The Graduate University for Advanced Studies, SOKENDAI(高级研究大学,SOKENDAI);National Institute of Informatics, NII(信息研究所);The University of Tokyo(东京大学)
GFT-GCN通过结合谱图学习与扩散机制,实现隐私保护的3D人脸识别,兼顾高准确性和防攻击能力。
2025-11-26 cs.CV
Dynamics-Inspired Diffusion for Foreground-Preserving Document Background Editing
University of Maryland at College Park(马里兰大学学院市分校)
本文提出轨迹引导扩散方法,通过潜在空间设计实现多层文档中前景保留和背景生成的风格一致性。
2026-10-01 cs.CV
Direct high-order edge-preserving regularization for tomographic image reconstruction
The University of Manchester(曼彻斯特大学)
本文提出了一种新的断层图像重建的两层迭代算法。该算法使用了一种正则化技术,我们称之为边缘保持拉普拉斯算子,它保留了对象之间的尖锐边缘,同时阻尼了重建图像平滑区域的杂散振荡。我们的数值模拟表明,该方法优于总变分(TV)正则化,它是有竞争力的组合TV-L2惩罚。获得的重建图像显示出增加的信噪比和视觉上吸引人的结构特征。所提出的技术的计算机实现和参数控制是简单的,这增加了它在许多层析应用的可行性。在本文中,我们将我们的方法应用到欠采样的计算机断层扫描(CT)投影数据,也被认为是在发射断层扫描重建的情况下,MATLAB代码提供支持所获得的结果。
2015-09-15 cs.CV cs.MS cs.NA
One-Sided Box Filter for Edge Preserving Image Smoothing
College of Electronics and Information Engineering, Shenzhen University(深圳大学电子与信息工程学院)
图像平滑是信号处理的一项基本任务。对于这样的任务,箱式过滤器是众所周知的。然而,箱式滤波器不能保持信号的一些特征,如边缘、角点和阶跃函数中的跳跃。在本文中,我们提出了一个单边箱形滤波器,可以平滑信号,但保持信号中的不连续特征。更具体地说,我们在八个单侧窗口上执行框过滤器,从而得到可以保留角和边缘的单侧框过滤器。我们的过滤器继承了恒定的$O(1)$计算复杂度的原始箱式过滤器相对于窗口大小,也是线性$O(N)$计算复杂度相对于样本的总数。我们进行了几个实验,以显示该过滤器的效率和有效性。我们进一步比较我们的过滤器与其他国家的最先进的边缘保持方法。我们的过滤器可以部署在大范围的应用中,经典的箱式过滤器采用。
2021-08-11 cs.CV cs.DS cs.MM
On an Edge-Preserving Variational Model for Optical Flow Estimation
Sri Sathya Sai Institute of Higher Learning(斯里萨提亚赛高等教育学院)
众所周知,由于现代实施实践,类似Horn和Schunck模型的经典公式在很大程度上仍然具有竞争力。在大多数情况下,这些模型优于许多现代流量估计方法。鉴于此,我们提出了一种有效的实现设计的边缘保持$L^1$正则化方法的光流。在有界变差函数空间$BV(Ω,\mathbb{R}^2)$中研究了该模型的数学适定性。实施方案分多个步骤设计。流场的计算使用强大的Chambolle-Pock原始-对偶算法。出于最近的研究卡斯特罗和多诺霍,我们扩展了启发式的迭代中值滤波到我们的流量估计。此外,为了细化流动边缘,我们使用由Li和Osher建立的加权中值滤波器作为后处理步骤。我们在Middlebury数据集上的实验表明,与一些最先进的基于Horn和Schunck的变分方法相比,该方法实现了最佳的平均角度和端点误差。
2022-07-21 cs.CV