ECCVJul, 2018

LAPRAN：一种可扩展的拉普拉斯金字塔重建对抗网络，用于灵活的压缩感知重建

PDF
TL;DR本文提出了一个可扩展的拉普拉斯金字塔重构对抗网络（LAPRAN）来解决单幅图像压缩感知与重建问题，使用拉普拉斯金字塔的概念通过多个重建对抗网络的阶段逐步重建图像，每个金字塔层次中使用上下文潜在向量将压缩感知测量融合以生成高频图像残差，实现了自适应于多种压缩比的高保真、灵活和快速的压缩感知图像重建。
发现论文，激发创造
  • 用于快速和准确超分辨率的深度拉普拉斯金字塔网络

    本文提出了 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤，从而大大减少了计算复杂度，并使用鲁棒的 Charbonnier 损失函数进行深度监督训练，取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测，从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明，所提出的算法在速度和准确性方面优于现有技术方法。

    Apr, 2017

  • 深度拉普拉斯金字塔网络实现快速准确图像超分辨率

    本文提出了一种深度 Laplacian 金字塔超分辨率网络，通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构，实现了较高的图像质量和运行时间。

    Oct, 2017

  • 使用对抗网络的拉普拉斯金字塔深度生成图像模型

    该研究提出了一种生成参数模型，能够在 Laplacian 金字塔框架内使用级联卷积网络，生成高质量、逐步细化的自然图像，并使用 GAN 方法进行训练，使得该模型生成的 CIFAR10 样本在人类评估者的定量评估中被误认为是真实图像的概率高达约 40％。

    Jun, 2015

  • 深度生成对抗网络在压缩感知自动磁共振成像中的应用

    本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

    May, 2017

  • LAPAR：线性组装像素自适应回归网络，用于单张图像超分辨率及更多

    本文提出一个线性组装的像素自适应回归网络用于单幅图像超分辨率，将直接 LR to HR 映射学习转化为对多个预定义滤波器基字典的线性系数回归任务，同时将此思想扩展到处理其他图像修复任务中，例如图像去噪和 JPEG 图像去块运动估计并获得先进性能。

    May, 2021

  • 基于局部结构采样的图像压缩感知编码的深度网络

    该研究提出了一种基于卷积神经网络的图像压缩感知编码框架，使用局部结构采样，并通过测量编码和拉普拉斯金字塔重构方法来提高编码效率和图像恢复质量。实验证明该方法在节省计算时间的基础上，优于现有的压缩感知编码方法。

    Feb, 2024

  • 密集残差拉普拉斯超分辨率

    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

  • 用拉普拉斯金字塔重建和细化进行语义分割

    本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

    May, 2016

  • 用于近端学习和自动压缩图像恢复的递归生成对抗网络

    本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合，成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍，并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。

    Nov, 2017

  • 使用卷积神经网络对压缩感知图像进行非迭代重建

    提出了一种用于低测量率情况下的数据驱动非迭代算法 - ReconNet，它是一个端到端学习的深度神经网络，能够实时地将场景的测量映射到所需的图像块，并且能够在测量噪声存在的情况下产生比迭代算法更高 PSNR 值的重建结果。

    Aug, 2017