我们提出了一种新颖的相互引导动态网络(MGDN)用于图像融合,该网络允许有效地利用来自不同位置和输入的信息。实验结果表明,我们提出的方法在四种图像融合任务上优于现有方法。
Aug, 2023
介绍一种新的动态滤波网络架构,使得学习的滤波器可以根据输入动态生成,具有高度适应性,且不会过多增加模型参数。通过可视化学习到的滤波器,证明该网络可以在无标签数据上学习信息,从而可以用于各种无监督预训练任务,例如光流和深度估计。
May, 2016
本研究提出了一种学习性方法,基于卷积神经网络构建联合滤波器,该算法可以选择性地传输与指导和目标图像一致的重要结构,验证表明该联合滤波器在抑制噪声或增强空间分辨率方面具有有效性,并且具有与现有最先进方法相当的性能。
Oct, 2017
本文提出了一种两阶段的一体化方法 Deep Atrous Guided Filter (DAGF),旨在校正 Under Display Cameras(UDC)系统中由于光衰减和衍射效应导致的图像失真问题,并通过模拟方案进行预训练模型并提高性能。该方法通过在低分辨率网络使用多个并行腐蚀卷积来保留空间分辨率,从而实现在兆像素图像上的直接训练,取得了较大的性能提升。在 RLQ-TOD'20 UDC Challenge 上,本方法在 POLED 和 TOLED 显示器中排名第二和第五。
Aug, 2020
本研究通过在每个扩散步骤的输入上应用自适应滤波器(不需要任何额外的培训或网络内部特征),提供与最新的基于体系结构依赖方法相竞争的快速和强大的基线,并允许更连续地调整指导强度。除此之外,还可以用作简单的附加组件,以增强其他最先进的 I2I 方法的结构指导。
Jun, 2023
GFNet 是一个简单而高效的架构,它通过频域中的长期空间依赖性来替换自注意力层,在 ImageNet 和下游任务中表现出有竞争力的准确性 / 复杂性权衡。
Jul, 2021
通过构建数据过滤网络,该论文研究了大训练集上数据筛选的问题,并基于该网络构建了新的图像 - 文本数据集,为状态 - of-the-art 模型训练提供了高性能数据集,同时还释放了可从公开数据从头训练高性能数据过滤网络的新的 200 亿样本数据集,以促进数据集设计的进一步研究。
Sep, 2023
我们提出了一种大采样场的动态过滤策略,用于 ConvNets 中,该方法使用位置特定的卷积核,能够从不仅相同位置,而且多个采样的邻域中进行学习,同时引入残差学习和注意力机制,以融合来自不同样本的特征。我们在对象检测,语义分割和流估计等任务中展示了 LS-DFN 的优点,它与 VOC 基准上的强基线相比,在目标检测和语义分割任务中具有更强的识别能力,在 FlyingChairs 数据集上的流估计则具有更锐利的响应。
Mar, 2018
通过同时考虑特征和图像级别的引导融合,我们提出了一种 Simultaneous Feature and Image Guided Fusion (SFIGF) 网络用于图像导向恢复任务,该网络结合了传统的引导滤波机制和深度学习方法,旨在同时恢复图像的上下文信息和细节信息。
Dec, 2023
本文提出了一种基于生成对抗网络和快速引导滤波器的全色融合技术,通过替代传统的通道拼接方法,保留了空间信息并减少了参数数量,在融合过程中可以突出关键信息。同时,经过对抗训练,特征的潜在信息得以有效保留,并生成了高质量的高分辨率多光谱图像。
Dec, 2020