數據來自：@_akhaliq
深度特徵是計算機視覺研究的基石，可以捕捉圖像語義，並使社區能夠在零或很少的樣本的情況下解決下游任務。
然而，這些功能通常缺乏空間解析度，無法直接執行分割和深度預測等密集預測任務，因為模型會主動匯集大區域的信息。
在這項工作中，引入了Performance Up，這是一個用於恢復丟失空間的任務和模型獨立的框架
深層特徵中的信息。引入了Performance Up的兩個變體：
一個在單次向前傳遞中引導解析度信號的功能，
另一種方法是將隱式模型與單個圖像匹配，以任何解析度重建特徵。
這兩種方法都使用多視圖和NeRF在深度類比中失去一致性。我們的功能保留了其原始語義，並且可以交換到現有的應用程式中，即使無需重新訓練也可以實現解析度和性能改進。
事實證明，它在上採樣和圖像超解析度方法、分割和深度預測的轉移學習以及語義分割的端到端訓練方面明顯優於其他功能類激活圖生成。
https://arxiv.org/abs/2403.10516v1
視頻：