论文阅读练习（1）

The iterative convolution-thresholding method(ICTM) for image segmentation（24.Apr.2019）

论文地址：https://arxiv.org/pdf/1904.10917.pdf

作者：Dong Wang and Xiao-Ping Wang

摘要

这篇文章中提出一个新的迭代卷积阈值分割方法(ICTM)，适用于一系列变分模型的图像分割。一个变分模型通常极小化一个由逼真度项和一个正则化项组成的能量函数。在ICTM中，两个不同分割域之间的连接由它们的特征函数隐式表示。逼真度项通常写为一个特征函数的线性函数，在热核卷积中，正则项近似为特征函数的函数。这允许我们设计一个迭代卷积阈值分割方法去极小化近似能量。该方法简单、高效，具有能量衰减特性。数值实验表明，该方法易于实现，鲁棒性强，适用于各种图像分割模型。

问题：图像分割中变分模型的能量函数的极小化

方法：用特征函数代替能量函数中的两项

效果：

code：https://www.math.utah.edu/∼dwang/ICTMCV.zip

Super-resolution based generative adversarial network using visual perceptual loss function （2019）

论文地址：https://arxiv.org/ftp/arxiv/papers/1904/1904.10654.pdf

作者：Xuan Zhu1, Yue Cheng1, Rongzhi Wang1 1School of Information Science and Technology of Northwest University, Xi’an, People’s Republic of China

摘要

最近几年，感知质量驱动的超分辨率方法表现出令人满意的结果。然而，超分辨率图像有不确定的纹理细节和unpleasant artifact（令人不满意的假象）。我们建立一个新的感知loss函数去改善这些问题，loss函数由morphological components adversarial loss （形态对抗loss）、color adversarial loss（颜色对抗loss）、salient content loss（显著内容loss）组成。对抗loss用于限制超分辨率图像的颜色和形态内容分布，显著loss加强特征丰富区域的感知相似度。实验结果表明，此方法在感知指数和视觉质量方面比现有方法有了显著提高。

问题：处理高分辨率图像的固有问题，不确定的纹理细节和不满意的假象

方法：从感知质量角度设计新的感知loss函数，由三部分组成，分别有不同作用，见摘要。

效果：

Bidirectional Learning for Domain Adaptation of Semantic Segmentation（CVPR2019，24.Apr.2019）

论文地址：https://arxiv.org/pdf/1904.10620.pdf

作者：Yunsheng Li∗ UC San [email protected]

Lu Yuan [email protected] 

Nuno Vasconcelos UC San Diego  [email protected]

摘要

域自适应对于图像语义分割是必要的，因为用像素级标签手工标记大数据既昂贵又耗时。现存域自适应技术要么在有限制的数据集上工作，要么与监督学习比较表现不好。这篇文章中，对分割的域适应问题提出一个双向学习框架。双向学习指图像翻译模型和分割自适应模型可以交替学习并且互相促进。进一步，提出一个自监督学习算法去学习一个更好的分割自适应模型并且反过来提高图像翻译模型。实验结果表明此方法在域自适应分割方面比现存方法的表现超越很多。

 

问题：分割的域自适应问题

方法：双向学习框架和自监督学习算法，交替学习，相互促进。

结果：