Instagram或Facebook等社交網(wǎng)絡(luò)中的圖片通常通過(guò)應(yīng)用一些過(guò)濾器進(jìn)行編輯。基于卷積神經(jīng)網(wǎng)絡(luò)的視覺(jué)理解模型可用于過(guò)濾器去除任務(wù)。然而，目前的研究試圖對(duì)應(yīng)用于圖像的特定過(guò)濾器進(jìn)行分類(lèi)或?qū)W習(xí)應(yīng)用的變換參數(shù)，并且無(wú)法恢復(fù)原始圖像。

最近的一項(xiàng)研究提出了一種新的任務(wù)方法。建議將視覺(jué)效果視為風(fēng)格信息，并使用風(fēng)格遷移方法。該架構(gòu)具有編碼器-解碼器結(jié)構(gòu)，可對(duì)編碼器中的樣式信息進(jìn)行歸一化。未經(jīng)過(guò)濾的圖像是在對(duì)抗性學(xué)習(xí)的幫助下生成的。

此外，還介紹了一個(gè)包含600張圖像及其過(guò)濾版本的數(shù)據(jù)集。實(shí)驗(yàn)表明，該模型在很大程度上消除了外部視覺(jué)效果。

社交媒體圖像通常通過(guò)過(guò)濾進(jìn)行轉(zhuǎn)換，以獲得更美觀(guān)的外觀(guān)。然而，CNN在社交媒體圖像的視覺(jué)分析中通常無(wú)法將圖像及其過(guò)濾版本解釋為相同。我們引入了Instagram過(guò)濾器去除網(wǎng)絡(luò)(IFRNet)來(lái)減輕社交媒體分析應(yīng)用程序的圖像過(guò)濾器的影響。為了實(shí)現(xiàn)這一點(diǎn)，我們假設(shè)應(yīng)用于圖像的任何過(guò)濾器都會(huì)向其注入一條額外的樣式信息，并且我們將此問(wèn)題視為反向樣式轉(zhuǎn)移問(wèn)題。通過(guò)在編碼器的每個(gè)級(jí)別中自適應(yīng)歸一化外部樣式信息，可以直接去除過(guò)濾的視覺(jué)效果。實(shí)驗(yàn)表明，IFRNet在定量和定性比較中優(yōu)于所有比較方法，并且具有很大程度去除視覺(jué)效果的能力。此外，我們展示了我們提出的模型的過(guò)濾器分類(lèi)性能，并分析了所有比較方法未過(guò)濾的圖像的主色估計(jì)。

　　免責(zé)聲明：本文由用戶(hù)上傳，與本網(wǎng)站立場(chǎng)無(wú)關(guān)。財(cái)經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。 如有侵權(quán)請(qǐng)聯(lián)系刪除！