本文提出了残差非局部注意力网络用于高质量图像恢复,利用局部和非局部注意块来提取长程依赖的特征并对挑战性部分进行更多关注,在局部和非局部注意力学习中加入残差机制以增强网络的表征能力,可以被推广应用于各种图像恢复应用中,如图像去噪,去马赛克,压缩失真减少和超分辨率。实验结果表明,我们的方法在定量和定性指标上都取得了可比或更好的结果。
Mar, 2019
该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式,结合了卷积神经网络和非局部滤波器,证明了在大型灰度图像数据集上具有最先进的性能。
Mar, 2018
研究了利用自然信号的自相似性进行非局部方法,提出了一种对 KNN 选择规则进行连续确定性松弛的方法,即通过温度参数逐渐接近零将原始 KNN 保持为极限,利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中,并展示了其在图像恢复等任务中的有效性。
Oct, 2018
利用非局部自相似度先验将可训练的非局部反应扩散 (TNLRD) 模型嵌入 TNRD 模型以解决其中的弱点,并通过特定损失训练非局部滤波器,实现了更具纹理和更少伪影的可视化恢复图像。
Feb, 2017
该论文提出了非局部操作作为一种用于捕捉长程依赖性的通用组建块,可以在许多计算机视觉体系结构中使用,并且在视频分类和静态图像识别中表现优异。
Nov, 2017
本论文提出了首个可将跨尺度特征相关性与非局部注意力机制相融合的循环神经网络,该模型及其与本地和同尺度非局部注意力结合可以更好地发现单个低分辨率图像中的跨尺度特征相关性,从而显著提高图像超分辨率的性能,并在多项 SISR 基准测试中表现出新的最佳效果。
Jun, 2020
本文提出了一个轻量级 LRNNet 模型,实现了高效的实时语义分割问题,通过降低计算成本和内存占用的非局部模块实现了更准确的非局部特征融合。实验证明,在训练时只使用精细注释数据的情况下,LRNNet 在 Cityscapes 测试数据集上达到了 72.2% 的 mIoU,并具有更好的轻量级,速度,计算和精度之间的平衡。
本研究提出了一种基于非局部图像模型的新型深层网络结构,用于灰度和彩色图像去噪,并通过实验验证,表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能,同时能够与卷积神经网络进行直接连接,并利用深度学习中 GPU 计算的最新进展,在其固有的并行性上实现高效实现。
Nov, 2016
本文提出了一种名为 NRNM 的非局部循环神经记忆网络,通过自注意机制实现非局部操作,以学习滑动时间记忆块内的全序交互,并以门控的循环方式模拟内存块之间的全局交互来解决序列表示学习中长期依赖建模难题,实验结果表明 NRNM 对于不同类型序列任务的泛化性和有效性优于其他最先进的方法。
Jul, 2022
本研究通过提出 NRNM 模型,对监督序列建模中的长程依赖进行建模,并在动作识别和情感分析两个任务上证明其优良性能。
Aug, 2019