使用相同的编码 - 解码 CNN 结构的深度 BCD-Net 进行迭代图像恢复
本文提出了一种基于深度神经网络的学习可扩展 / 渐进式图像压缩方案,命名为双向上下文分离网络(BCD-Net),并采用位平面分解学习分层表示,并通过双向流来解缠上下文信息以获得更有效的压缩表示。实验证明,与最先进的基于 DNN 的可扩展图像压缩方法相比,我们提出的方案在 PSNR 和 MS-SSIM 度量方面均表现出色,并且在 MS-SSIM 度量方面比传统可扩展图像编解码器的性能更高。
Dec, 2018
提出了一种新颖的基于 BP-CNN 架构的迭代解码方法,通过在标准 BP 解码器后添加卷积神经网络 (CNN) 来去除解码错误和噪声,以提高解码效果。训练 CNN 模型使用了新的损失函数,更好地处理了残差噪声分布,提高了误码率性能。该算法具有适用于并行实现、不依赖特定信道模型或编码方法,以及对训练失调有很强的鲁棒性等优点,可用于解码现代信道编码。
Jul, 2017
本文提出了一种深度卷积神经网络体系结构,用作通用的图像到图像回归器,可以直接进行端到端的训练。我们提出的体系结构 —— 递归分支反卷积网络(RBDN)采用高效的递归分支方案和可学习的上采样,早期开发了一种廉价的多重上下文图像表示方法。该 RBDN 体系结构是完全卷积的,在推断过程中可以处理不同大小的图像。我们在 relighting、去噪和着色 3 个不同的任务上提供了定性 / 定量结果,并表明,当不进行任何后处理或任务特定的架构修改时,我们提出的 RBDN 体系结构在每个任务上都可以获得与最先进技术相当的结果。
Dec, 2016
本文提出了一种新的基于迭代深度学习框架的医学图像分割方法,使用迭代学习方法和编码器 - 解码器网络,结合卷积编码器和迭代学习,可以精确定位具有复杂形状或详细纹理的 ROI,实验结果表明该方法可以对各种医学图像进行良好的分割。
Aug, 2017
本研究提出了一种互联的编码器 - 解码器卷积神经网络,用于联合填补结构和纹理的空洞区域,其中使用来自编码器深层和浅层的 CNN 特征表示输入图像的结构和纹理,使用双侧传播激活函数实现空间均衡。实验结果表明,所提出的方法对于恢复结构和纹理非常有效,并且与最先进的方法相比表现出优异的性能。
Jul, 2020
本文提出了一种名为 TD-CEDN 的深度轮廓检测算法,该算法采用自上而下的完全卷积编码器 - 解码器网络,并在多尺度、多级特征学习以及前向传播阶段获得原始特征图,然后采用自下而上的方式进行解码,并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测,从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。
May, 2017
本文提出了一种名为 Recurrent Decoding Cell(RDC)的新型特征融合单元,利用卷积 RNN 从前面的层中记忆长期上下文信息,同时基于 RDC 提出了 Convolutional Recurrent Decoding Network(CRDN)用于分割多模态医学 MRI,实验证明引入 RDC 能有效提高分割准确性并减少模型大小,并且所提出的 CRDN 具有在医学 MRI 中对抗图像噪声和强度不均匀性的鲁棒性。
Nov, 2019
本文提出了一种名为增强卷积神经去噪网络(ECNDNet)的新方法,通过使用残差学习和批量归一化技术提高了训练效果并加速了网络的收敛。此外,提议的网络使用扩张卷积增大了上下文信息,降低了计算成本,并在广泛实验中证明了 ECNDNet 优于图像去噪的现有最先进方法。
Oct, 2018
本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型,该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”,可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化,即使训练数据量相对较小,也能获得非常好的性能。
Jan, 2018
这篇论文提出了一种基于卷积神经网络的编码器 - 解码器架构,用于将图像嵌入载体图像作为负载,通过端到端训练来确保最大负载容量和图像质量,并在多个公共数据集(如 MNIST,CIFAR-10,ImageNet,LFW 等)上进行了实证研究,取得了最先进的性能。
Nov, 2017