上采样和下采样_消除Aliasing！加州大学&英伟达提出深度学习下采样新思路：自适应低通滤波器层...

↑ 点击 蓝字 关注极市平台

极市导读

 Aliasing(锯齿)是采样过程中常见现象，本文为这一问题的解决提出了有效新思路： 内容自适应低通滤波层，并提出一种用于评价语义/实例分割的平移一致性的新度量准则。作者在分类、分割等多种任务上验证了所提方法的有效性与泛化性。

paper:https://arxiv.org/abs/2008.09604 code: https://github.com/MaureenZOU/Adaptive-anti-Aliasing 导语：该文是加州大学&NVIDIA提出了一种消除Aliasing的方案。该文在AntialiasedCNN的基础上进行了更一步的改进，将固定模糊核改进为内容自适应低通滤波操作。作者还通过不同的任务验证了所提方法的有效性与泛化性能。

Abstract

Aliasing(锯齿)是采样过程中常见现象之一，它将高频信息退化成了更复杂的表现形式。在深度学习领域中，它常见诸于下采样层中(比如Maxpooling、StrideConv)。一种标准方案是在下采样之前进行低通滤波(比如高斯模糊)，然而这种处理方案是次优方案：因为不同位置、不同通道的频率信息是不相同的。 为解决上述问题，作者提出了一种 内容自适应低通滤波层，它针对输入特征预测不同位置、不同通道的滤波权值。作者 在多个任务(比如ImageNet分类、COCO实例分割、Cityscapes语义分割等)上验证了所提方案的有效性与泛化性能。定量与定性结果表明： 所提方法可以具有特征频率自适应特性，在避免锯齿的同时保持有用信息。

Introduction

Aliasing指的是下采样过程中高频信息的畸变问题，Nyquist采样理论表明：采样率必须至少是最高频的两倍方可避免Aliasing问题。下图给出了1D信号的下采样Aliasing效应，可以看到经过下采样后输入与输出具有不同的表现形式。