BriefGPT - AI 论文速递
·
低光照下基于加权非局部块的特征去噪实例分割
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该论文提出了一种解决低光条件下实例分割问题的端到端解决方案，通过加权非局部块实现特征级内嵌去噪，消除了对齐基准图像的需要，并引入可学习的权重增强网络以适应真实世界噪声。实验结果显示该方法在平均精度上有显著改进。
🎯
关键要点
- 该论文提出了一种端到端的解决方案来解决低光条件下的实例分割问题。
- 通过在特征提取器中实现加权非局部块，方法在特征级别上实现了内嵌的去噪过程。
- 消除了训练时对齐的基准图像的需要，以支持在真实世界的低光数据集上进行训练。
- 引入可学习的权重以增强网络对真实世界噪声特性的适应性。
- 实验结果显示，所提出的方法在平均精度（AP）上有 +10.0 的显著改进。
- 加权非局部块的引入进一步提高了 AP 的值，使得该方法胜过预训练的 Mask R-CNN。
➡️
