知识卡片
遮挡训练学习图像修复
自编码器通过编码和解码学习输入重构;用于图像修复时,可在完整图像上人为遮挡部分区域,让网络根据可见区域预测原像素。卷积层保留局部空间结构并共享参数。普通自编码器的“输入等于输出”目标与修复任务的“遮挡输入、完整目标”不同,训练掩码和损失区域需要明确设定。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 9 . 3 . 2 基 于 神 经 网 络 算 法 的 图 像 修 复 · 查看原书依据
卷积自编码网络应用到图像修复中时,输入和输出的内容有所不同,输入的是图像中的已知部分,输出的是图像的未知部分,在网络训练过程中,可以通过选定图像中已知的一部分假定为未知部分,通过图像的其余部分学习生成假定的未知部分。该方法在图像修复领域研究十分广泛,对高分辨率图像依然可以处理,且其参数较为简单,网络结构的可拓展性较强。
参考来源
- 位置:《智能算法导论》第 185 项《19.3.2 基于神经网络算法的图像修复/卷积自编码网络》(源文件:`_epub-src/EPUB/xhtml/chapter19_0008.xhtml`)
- 结论依据:正文解释编码、解码与卷积替代全连接,并提出将已知图像的一部分假定为未知部分来训练;任务目标的区别据此界定。
- 原始内容:“通过选定图像中已知的一部分假定为未知部分,通过图像的其余部分学习生成假定的未知部分。”