本研究提出了一种采用扩张残差卷积神经网络(CNN),并使用零填充来保持输出和输入维数相同的方法,以 Gaussian 图像去噪为目标,能够在减少计算成本的同时实现与最新的残差去噪器相当的性能,并且在计算可解释性方面也能有所进展。
Aug, 2017
探索使用逐渐增加特征映射维度的方式,提高深度残差神经网络的泛化能力,并提出了一种新的残差单元,增强了其分类准确性;实验表明,与原始的残差网络相比,该网络结构具有更好的泛化能力。
Oct, 2016
本文提出了一种基于深度学习的非线性端到端映射方法 SAR-DRN 来破解传统线性模型在合成孔径雷达(SAR)图像去斑方面的局限性,并通过定量和可视化评估表明所提出的方法在去除强斑点噪声方面具有明显优势。
Sep, 2017
该论文提出了一种适应性下采样方案,通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域,从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。
May, 2023
本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构,称为 D3Net,其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式,避免了深度网络中的深度耗散问题,并在图像和音频处理任务中取得了优越的性能。
Nov, 2020
本文提出了一种新型的残差稠密网络 (RDN),该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征,并通过局部特征融合和全局特征融合来稳定更广泛的网络培训,进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。
Feb, 2018
本文提出了一种动态分辨率网络(DRNet),它可以根据输入图像的大小动态地确定输入分辨率,从而优化了神经网络的计算负担,并在 ImageNet 上进行了实验验证。
Jun, 2021
本文提出了一种基于 Dual-branch Residual Attention Network(DRANet)的图像降噪方法,通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明,相比于其他已有的方法,该方法能够更好地处理合成和真实场景下的噪声。
该研究提出了一种新型的 “可学习空隙扩张卷积”(DCLS)方法来增加卷积神经网络(CNN)的感受野大小,从而提高图像分类的准确性,而且不会增加可训练参数的数量。该方法可以通过在卷积核中只添加一些非零元素,然后通过反向传播技术学习它们的间距来实现。
Dec, 2021
介绍了一种基于 Residual Laplacian Network 的超分辨率算法,利用多尺度特征,并实现了深度监督学习和 Laplacian attention 机制, 在低分辨率,噪声低分辨率和真实历史图像基准数据集上得到了较好的视觉和准确性表现。
Jun, 2019