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。
Mar, 2016
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
本研究采用进化算法来搜索优化简单的卷积自编码器,用其进行图像恢复任务,无需采用对抗训练和复杂的损失函数,实验结果在 CelebA 和 SVHN 数据集上表现出色。
Mar, 2018
本文介绍一种使用卷积层构建的去噪自编码器进行医学图像去噪的方法,通过少量样本的训练,可以高效地去除医学图像噪声。同时,本文提出了将异构图像进行合并来提高训练样本的可行性,并成功地实现了最简单的网络重构高噪声医学图像的效果。
Aug, 2016
本文研究工业视觉中基于自编码器网络的异常检测问题,通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型,使网络能从有缺陷的图像中重建出干净图像,实现像素级或者图像级的异常检测。
Aug, 2020
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
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
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
本文提出了一种基于 Swin Transformer 的 Image Autoencoder(SwinIA),用于自监督图像去噪,无需像素掩蔽,不需要任何关于噪声分布的先验知识,可以用简单的均方误差损失进行端到端训练,且在多个常见基准测试中均取得了最先进的性能。
May, 2023