NIPSMar, 2016

使用具有对称跳跃连接的非常深的卷积编码器 - 解码器网络进行图像恢复

PDF
TL;DR本文提出了一种具有对称连接多层卷积和反卷积操作的深度全卷积编码 - 解码框架，通过跳层连接缓解了梯度消失的问题，实现了优越的图像修复性能。
fully convolutional encoding-decodingimage restorationskip-layer connectionsgradient vanishingstate-of-the-art
发现论文，激发创造
  • 使用具有对称跳跃连接的卷积自编码器进行图像恢复

    本文提出一种使用对称卷积 - 反卷积层的深度全卷积自编码器网络用于图像修复，通过跳级连接缓解深度网络训练难的问题，达到了更快收敛和更好的修复效果。

    Jun, 2016

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019

  • 深度 CNN 中使用 Skip 连接和 NiN 网络的快速准确图像超分辨率

    使用深度卷积神经网络（Deep CNN）的单幅图像超分辨率（SISR）模型，包括残差网络、跳跃连接和网络中的网络（DCSCN），结合局部和全局特征提取器和并行 1x1 卷积神经网络实现了具有至少 10 倍较低计算成本的最好的图像重建性能，优化了每个 CNN 层和滤波器的数量，以显著降低计算成本。

    Jul, 2017

  • 深度解码器：从未经过训练的非卷积网络中提取简明图像表征

    本研究提出了一种未训练的简单图像模型 —— 深度解码器，它能够从非常少的权重参数生成自然图像，可以达到基于小波的阈值处理的效果，并且可以避免过拟合问题。此外，该模型简单且易于理论分析，为深度神经网络生成信号的有效表示提供了启示。

    Oct, 2018

  • 基于轻量级残差卷积神经网络的单张图像超分辨率

    本研究旨在扩展残差网络的优点，如快速训练，用于低级视觉问题，即单个图像超分辨率，通过引入跳跃连接和逐渐改变网络形状的策略，该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果，并产生了视觉上令人愉悦的结果。

    Mar, 2017

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

    本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

    Jan, 2019

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

    Jul, 2016

  • 身份增强的残差图像去噪

    提出了一种全卷积网络模型，它由一系列身份映射模块和残差在残差架构组成，用于图像去噪。网络结构具有三个独特的特点，能够显著提高噪声去除任务的准确性和图像质量。

    Apr, 2020

  • 使用深度卷积网络进行精确图像超分辨率

    本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用 20 个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

    Nov, 2015