AAAIApr, 2018

迭代残差图像反卷积

PDF
TL;DR本文提出了一种基于迭代残差卷积网络的图像去模糊算法，探讨了最小均方误差解决方案，将其解开成残差部分的序列，提出了一种由序列的残差卷积神经网络单元组成的连续的残差卷积网络。实验结果表明，提出的 CRCNet 不仅在定量指标上表现更好，而且在恢复视觉上具有更多的质感细节。
image deblurringdeep convolutional neural networksmmcseiterative residual deconvolutioncrcnet
发现论文，激发创造
  • 用残差 Beylkin-Coifman-Rokhlin 神经网络解决显微镜去卷积的逆问题

    利用物理约束，我们的模型在专业领域的神经网络候选者中显著减少了冗余参数，并取得了高效率和优越性能。

    Jul, 2024

  • 基于轻量级残差卷积神经网络的单张图像超分辨率

    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

  • 迭代非盲去模糊的全卷积网络学习

    本文提出了一种全卷积网络用于迭代非盲去卷积，通过将非盲去卷积问题分解成图像去噪和图像去卷积，训练 FCNN 在梯度域中消除噪声，并使用学习到的梯度来引导图像去卷积步骤，可以迭代地去模糊图像，能够学习自适应的图像先验，保持局部（细节）和全局（结构）信息，经过基准数据集的定量和定性评估表明，所提出的方法在质量和速度方面表现优异，可胜任同类算法。

    Nov, 2016

  • 深度盲视频超分辨率

    本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

    Mar, 2020

  • 身份增强的残差图像去噪

    提出了一种全卷积网络模型，它由一系列身份映射模块和残差在残差架构组成，用于图像去噪。网络结构具有三个独特的特点，能够显著提高噪声去除任务的准确性和图像质量。

    Apr, 2020

  • 用于真实图片降噪的选择性残差 M-Net

    本文介绍了一种基于 U-Net 模型结构并采用选择性核和残差块来实现多尺度语义信息丰富的盲实际图像降噪网络（SRMNet），在两个合成和两个真实噪声数据集上具有竞争性的性能结果。

    Mar, 2022

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    Mar, 2018

  • 卷积神经网络去噪 SAR 图像

    利用卷积神经网络学习判别模型以去噪 SAR 图像，该网络采用残差学习策略，训练时考虑多时相 SAR 图像及其多视版本，实验结果表明，与现有技术相比，该方法表现更好。

    Apr, 2017

  • 盲目图像超分辨率的深度约束最小二乘法

    本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

    Feb, 2022

  • 利用残差降噪网络进行迭代式联合图像去马赛克和降噪

    本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

    Jul, 2018