【AI视野·今日CV 计算机视觉论文速览 第271期】Thu, 19 Oct 2023

AI视野·今日CS.CV 计算机视觉论文速览
Thu, 19 Oct 2023
Totally 63 papers
👉上期速览✈更多精彩请移步主页

Daily Computer Vision Papers

Learning from Rich Semantics and Coarse Locations for Long-tailed Object Detection Authors Lingchen Meng, Xiyang Dai, Jianwei Yang, Dongdong Chen, Yinpeng Chen, Mengchen Liu, Yi Ling Chen, Zuxuan Wu, Lu Yuan, Yu Gang Jiang 长尾对象检测 LTOD 旨在处理现实世界数据集中的极端数据不平衡，其中许多尾类实例稀缺。一种流行的策略是使用图像级标签探索额外的数据，但由于 1 语义模糊性，图像级标签仅捕获图像的显着部分，忽略图像内剩余的丰富语义和 2 标签的位置敏感性，它产生的结果有限很大程度上取决于原始图像的位置和裁剪，在随机裁剪等数据转换后可能会发生变化。为了解决这个问题，我们提出了 RichSem，这是一种简单但有效的方法，它可以稳健地从粗略位置学习丰富的语义，而不需要精确的边界框。 RichSem 利用图像中丰富的语义，然后将其用作训练检测器的附加软监督。具体来说，我们向检测器添加一个语义分支来学习这些软语义并增强长尾对象检测的特征表示。语义分支仅用于训练，在推理过程中被删除。 RichSem 在不同主干网和检测器下对 LVIS 的整体和稀有类别实现了一致的改进。我们的方法无需复杂的培训和测试程序即可实现最先进的性能。此外，我们通过额外的实验展示了我们的方法在其他长尾数据集上的有效性。

Object-aware Inversion and Reassembly for Image Editing Authors Zhen Yang, Dinggang Gui, Wen Wang, Hao Chen, Bohan Zhuang, Chunhua Shen 通过比较编辑任务中的原始提示和目标提示，我们可以得到许多编辑对，每个编辑对由一个对象及其对应的编辑目标组成。为了在保持输入图像保真度的同时实现可编辑性，现有的编辑方法通常涉及固定数量的反转步骤，将整个输入图像投影到其噪声较大的潜在表示，然后进行由目标提示引导的去噪过程。然而，我们发现，由于不同的编辑难度，实现理想编辑结果的最佳反转步骤数在不同的编辑对之间存在显着差异。因此，当前依赖于固定数量的反演步骤的文献会产生次优的生成质量，特别是在处理自然图像中的多个编辑对时。为此，我们提出了一种新的图像编辑范例，称为对象感知反转和重组 OIR，以实现对象级细粒度编辑。具体来说，我们设计了一种新的搜索度量，通过共同考虑目标的可编辑性和非编辑区域的保真度，确定每个编辑对的最佳反转步骤。在编辑图像时，我们使用搜索指标来找到每个编辑对的最佳反转步骤。然后，我们分别编辑这些编辑对，以避免概念不匹配。随后，我们提出了一个额外的重组步骤，将各个编辑结果和非编辑区域无缝集成，以获得最终的编辑图像。为了系统地评估我们方法的有效性，我们收集了两个数据集，分别用于对单对象和多对象编辑进行基准测试。