我们在迄今为止最大的RS场景识别数据集MillionAID的帮助下，从无开始训练不同的网络，以获得一系列RS预训练的骨干，包括卷积神经网络(CNN)和视觉转换器，如Swin和ViTAE，它们在计算机视觉任务中表现出了良好的性能。然后，我们研究了RSP对代表性下游任务的影响，包括场景识别、语义分割、目标检测和变化检测，使用这些CNN和视觉Transformer主干。......

域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类

设计了一个即插即用的通用模块：context prior layer（上下文先验层）。在这个层中，根据GT首先形成的Ideal Affinity Map去监督类内和类间信息的产生，从而从原理上规范了类内和类间上下文信息的分离。

提出了一个新的语义分割框架，该框架的关键组成部分是颜色映射生成对抗网络(ColorMapGANs)，它可以生成语义上与训练图像完全相同的虚假训练图像，但其光谱分布类似于测试图像的分布。然后，我们使用伪图像和训练后的真实图像来微调已经训练过的分类器，ColorMapGAN中的生成器没有任何卷积层或池化层。它学习将训练数据的颜色转换为测试数据的颜色，只需要执行一次元素矩阵乘法和一次矩阵加法操作。

本文研究了语义分割中的无监督域自适应问题,建议利用这种跨领域的不变性，利用结构化语义分割输出中成对像素之间的并发模式。我们对相邻像素之间的关联关系(称为源域和目标域的关联空间)进行域适应。为此，我们制定了两种关联空间适应策略:关联空间清洁策略和对抗性关联空间对齐策略。大量的实验表明，所提出的方法在跨域语义分割的几个具有挑战性的基准上比一些最先进的方法具有更好的性能。...

语义分割论文CVPR2020《Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision：基于自监督的非监督域内自适应语义分割》开源代码自学笔记，包括CVPR2019 ADVENT方法开源代码

在这个综述中，我们提供了在视觉中应用去噪扩散模型的文章的综合综述，包括在该领域的理论和实践贡献。首先，我们确定并提出了三种通用的扩散建模框架，它们基于去噪扩散概率模型、噪声条件评分网络和随机微分方程。我们进一步讨论了扩散模型和其他深层生成模型之间的关系，包括变分自编码器、生成对抗网络、基于能量的模型、自回归模型和归一化流。然后，介绍了计算机视觉中扩散模型的多视角分类。最后，我们说明了目前扩散模型的

为了处理大面积的缺失区域、复杂的几何结构和高分辨率图像，提出了一种大掩模修复（LaMa）。LaMa基于i）一种新的修复网络架构，该架构使用快速傅立叶卷积（FFC），具有图像范围的感受野；ii）高感受野知觉丧失；iii）大型训练掩模，释放前两个组件的潜力。我们的修复网络提高了一系列数据集的最新水平，即使在具有挑战性的场景中（例如完成周期性结构），也能实现优异的性能。

数据的归一化操作是数据处理的一项基础性工作，本文主要介绍了现有的四种归一化方法，包括Batch Normalization、Layer Normalization、Group Normalization、InstanceNorm以及近期在图像翻译领域遇到的Spatially-Adaptive Normalization

我们提出了一种新的无配对图像间翻译方法，该方法使用去噪扩散概率模型而不需要对抗训练。我们的方法，UNpaired Image Translation with Denoising Diffusion Probabilistic Models(UNIT-DDPM)，训练一个生成模型，通过最小化另一个域条件下的去噪分数匹配目标，推断图像在两个域上的联合分布作为马尔可夫链。