2021

Progressive Semantic Segmentation(CVPR)

code : https://github.com/VinAIResearch/MagNet

摘要：这项工作的目的是分割高分辨率的图像，而不超载GPU内存的使用或丢失输出分割地图中的细节。内存约束意味着我们要么必须对大图像进行降采样，要么将图像分割成局部补丁以进行单独处理。然而，前一种方法将失去细节，而后者可能由于缺乏全球图景而模棱两可。在这项工作中，我们提出了磁铁，一个多尺度的框架，通过观察在多个放大水平上的图像来解决局部模糊性。磁铁有多个处理阶段，其中每个阶段对应一个放大级别，并将一个阶段的输出输入下一个阶段，进行粗到细的信息传播。每个阶段以比前阶段更高的分辨率分析图像，恢复之前由于有损降采样步骤而丢失的细节，并通过处理阶段逐步细化分割输出.在城市景观、空中场景和医学图像的三个高分辨率数据集上进行的实验表明，磁铁的性能始终显著优于最先进的方法。
在这里插入图片描述

High Quality Segmentation for Ultra High-resolution Images

code: https://paperswithcode.com/paper/high-quality-segmentation-for-ultra-high

摘要：分割4K或6K超高分辨率图像在图像分割中需要额外的计算。常见的策略，如降采样、斑块裁剪和级联模型，都不能很好地解决精度和计算成本之间的平衡问题。基于人类从粗糙到精确的水平连续区分对象，我们提出了连续细化模型(CRM)用于超高分辨率分割细化任务。CRM不断地将特征图与细化目标对齐，并聚合特征来重建这些图像的细节。此外，我们的CRM显示了其显著的泛化能力，以填补低分辨率训练图像和超高分辨率测试图像之间的分辨率差距。我们提出了定量的性能评估和可视化，以表明我们提出的方法是快速和有效的图像分割细化。

论文的贡献：

我们提出了一个通用的连续细化模型(CRM)。在超高分辨率分割细化中，引入了一种利用连续位置信息和连续对齐潜在图像特征的隐式函数。在没有基于级联的解码器的情况下，我们有效地降低了计算成本，同时重建了更多的细节。
具有多分辨率推理的?CRM适用于使用低分辨率训练图像和超高分辨率测试图像。由于设计简单，即使从低分辨率细化到高分辨率，总推理时间也不到CascadePSP[9]的一半。
在实验中，CRM对超高分辨率图像的分割效果最好。它还有助于提高最先进的全光学分割模型的性能，而没有微调。

在这里插入图片描述