ICMLApr, 2016

使用深度卷积神经网络的红外图像上色

PDF
TL;DR本文介绍了一种使用深度多尺度卷积神经网络将 RGB 彩色谱转换为近红外 (NIR) 图像的方法，通过 NIR 和 RGB 像素之间的直接集成传输来训练模型，不需要任何用户指导或参考图像数据库，在召回阶段生成具有自然外观的图像，并通过保留 NIR 图像的丰富细节，将其高频特征转移至估算的 RGB 图像，本方法在一个真实世界的数据集上进行了训练和评估，该数据集包含大量夏季道路场景图像，由多 CCD NIR/RGB 相机捕获，保证了完美的像素对齐。
rgb color spectrumnear-infrared imagesdeep multi-scale convolutional neural networksnir and rgb pixelsreal-world dataset
发现论文，激发创造
  • 基于单一示例的可见光和红外自我监督融合训练

    该研究提出了一种可见光与近红外图像融合的方法，通过使用 RGBT 传感器获取的可见图像和近红外通道的信息，利用 SSIM 损失和边缘保护等技术进行融合，并在实验证明相比其他方法，该方法在多光谱融合方面取得了更好的结果。

    Jul, 2023

  • 合作着色：探索潜在的跨域先验对 NIR 图像光谱转换

    通过协作学习范式，利用潜在的跨域先验知识进行双向的全色与 NIR 色彩化任务，并通过渐进的微调和融合方法，在近红外图像光谱转换任务中表现出色，并在 NIR 和灰度色彩化任务上分别优于现有方法 4.66dB 和 3.95dB。

    Aug, 2023

  • 24 小时彩色成像一体化增强解决方案

    本研究提出了一种新的集成增强算法，通过分离可见光和近红外信息并将其自适应增强，在白天和黑夜都能产生清晰的彩色图像，实验结果显示其效果显著。

    May, 2020

  • 深度考拉着色：使用 CNN 和 Inception-ResNet-v2 进行图像着色

    本文综述了近期使用深度学习方法将灰度图像着色的一些最新方法，并提出了一个将深度卷积神经网络与 Inception-ResNet-v2 预训练模型结合的模型，通过完全的卷积结构，我们的编码器 - 解码器模型可以处理任何尺寸和长宽比的图像，并使用用户研究评估其生成图像的公众接受度。最后，我们展示了这种技术在不同类型的图像上的应用，如历史照片。

    Dec, 2017

  • 隐式多光谱转换器：一种轻量且有效的可见光到红外图像转换模型

    通过使用基于 Transformer 的新型模型，将可见光图像转换为高保真红外图像，从而解决了低光条件下可见光图像对比度低的问题，并比现有方法在质量和数量上都有显着优势，为红外图像的下游应用提供了更有效的支持。

    Apr, 2024

  • 基于物理启发的深度网络的热图像处理

    DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。

    Aug, 2021

  • 多尺度渐进特征嵌入准确的近红外到 RGB 光谱域转换

    通过多尺度渐进特征嵌入网络（MPFNet）引导灰度图像上色的方法，解决了 NIR 到 RGB 光谱域翻译中的映射歧义和现有方法学习能力有限的问题，实验证明 MPFNet 在 NIR 到 RGB 光谱域翻译任务中相对于最先进的方法在 PSNR 方面提高了 2.55 dB。

    Dec, 2023

  • NIR 辅助图像去噪：一种选择性融合方法与真实世界基准数据集

    通过有效利用近红外图像辅助可见光图像去噪，提出了一种选择性融合模块（SFM）来解决近红外 - 可见光图像去噪的内容不一致和数据稀缺等问题，并通过综合全局和局部调节的方式实现了两种特征的融合。实验结果表明，该方法在合成和真实数据集上均取得了优于现有方法的效果，同时还提供了公开的数据集、代码和预训练模型。

    Apr, 2024

  • 集成和迁移学习在一种端到端自动彩色图像检测模型中的应用

    该论文提出了一种结合迁移学习和集成学习方法的新颖方法，以减少训练时间和资源需求，并提出了一个模型来对自然彩色图像和计算机彩色图像进行分类。该模型利用预训练的 VGG16 和 Resnet50 分支，以及 MobileNet v2 或 EfficientNet 特征向量。该模型显示出有希望的结果，准确率在 94.55% 至 99.13% 之间，并具有很低的半总误差率值。该模型在分类性能和泛化能力方面优于现有的最先进模型。

    Sep, 2023

  • 基于学习的深度先验的实时用户引导图像着色

    本研究提出了一种基于深度学习的图像上色系统，在输入灰度图像和用户指定信息的情况下，利用卷积神经网络将其映射至彩色图像，并对其进行上色。该系统利用大规模数据集对低级和高级语义信息进行学习，根据现有输入向用户推荐可能的颜色，通过单次前馈传递实现实时操作。实验证明，即使使用随机模拟的用户输入，该系统也能够有效地帮助用户快速创建逼真的彩色图像。

    May, 2017