XiaoMi-AI文件搜索系统
World File Search Systemindpainting
inPainting驱动的掩模优化对象去除
摘要 - 本文提出了一种掩盖优化方法，用于使用图像介入来提高对象去除的质量。在许多现实情况下，许多介绍方法都经过一组随机掩码的训练，但在许多现实的情况下，indpainting的目标可能是一个对象，例如一个人。训练和推理图像中掩模之间的域间隙增加了介入任务的难度。在我们的方法中，通过训练通过分割提取的对象掩码训练介入网络来解决此域间隙，并且在推理步骤中也使用了此类对象掩码。此外，为了优化对象蒙版的介入，分割网络已连接到indpainting网络，并端到端训练以提高镶嵌性能。通过我们的面具扩展损失实现大型面具和小型面具之间的权衡，这种端到端训练的效果进一步增强了。实验结果证明了我们方法使用图像介入的方法去除对象的有效性。索引术语 - 图像inpainting，对象分割，对象删除
一种简单的背景增强方法，用于使用扩散模型的对象检测
摘要。在计算机视觉中，众所周知，缺乏数据会损害模型性能。在这项研究中，我们应对加强数据集多样性问题的挑战，以使各种下游任务（例如对象检测和实例segmentation）受益。我们通过利用生成模型中的进步，特别是文本对图像合成技术（如稳定扩散）提出了一种简单而有效的数据增强方法。我们的方法着重于标记的真实图像的变化，利用生成对象和背景增强通过indpainting来增强现有的培训数据，而无需其他注释。我们发现，尤其是背景增强，显着提高了模型的鲁棒性和泛化能力。我们还调查了如何提示和掩盖以确保生成的内容符合现有注释。通过对可可数据集的全面评估和其他几个关键对象检测基准测试，我们的增强技术的功效得到了验证，这表明在不同情况下，模型性能没有提高。这种方法为数据集启用的挑战提供了有希望的解决方案，这有助于开发更准确，更健壮的计算机视觉模型。