Oct, 2018

使用分支生成对抗网络去卷积星系重叠

PDF
TL;DR为了解决在密集区域 50% 的混合星系图像问题，我们提出了一种基于分支生成对抗网络的新型解混方法，并通过数据演示其高准确性、高峰值信噪比和结构相似得分，适用于未来大规模调查所需的海量数据处理。
galaxy surveysdeblending techniquesgenerative adversarial networkmissing pixel infillinglarge-scale surveys
发现论文，激发创造
  • 锻造新世界：用连锁生成敌对网络制造高分辨率合成星系

    本文探讨如何利用链式生成对抗网络产生逼真的星系图片，并表明这一现代技术在天文学中是有价值的。

    Nov, 2018

  • 生成对抗网络恢复超越去卷积极限的星系天体图像特征

    使用生成对抗网络训练的方法，能够更好地恢复低信噪比和低角分辨率成像数据中的天体物体的详细特征，从而增加研究天体物体的现有数据集以及未来观测中的能力。

    Feb, 2017

  • 使用 GAN 进行图像去模糊

    该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

    Dec, 2023

  • 真实模糊下的去模糊

    本论文提出了一种使用两个 GAN 模型的新方法，即学会如何模糊图像的深度学习模型和学习如何去模糊的深度学习模型，通过学习如何模糊图像来学习更好的图像去模糊模型，并使用相对论模糊损失来降低真实模糊与合成模糊之间的差异。实验表明，该方法在新提出的数据集和公共数据集上都取得了一致优越的定量性能和更高的感知质量。

    Apr, 2020

  • 使用 GAN 进行盲去模糊

    本文通过尝试不同的 GAN 结构和对现有结构的各种修改来提高其在监督去模糊中的性能，其中包括使用注意力模块和残差连接，同时添加经典损失函数（L1，L2 和感知损失）来训练 GAN，以及采用反馈模块以保留长期依赖关系。

    Jul, 2019

  • GP-GAN：实现逼真高分辨率图像融合

    本文提出了一种高分辨率图像融合的解决方案 ——Gaussian-Poisson 生成对抗网络（GP-GAN），旨在优化传统梯度方法和生成对抗网络的优势，采用高斯泊松方程来表征高分辨率图像融合问题，并提出了一个混合 GAN，学习了复合图像与良好混合图像之间的映射。实验证明该方法获得了最高性能。

    Mar, 2017

  • 非均匀盲模糊的边缘启发式生成对抗网络

    提出了一种基于边缘启发式多尺度生成对抗网络的图像去模糊方法，采用粗到细的方法进行端到端去模糊，并设计了边缘增强网络和分层内容损失函数来指导去模糊过程，在不同数据集上进行了广泛实验，取得了动态场景去模糊的最佳性能。

    Jul, 2019

  • 深度生成滤波器用于运动去模糊

    本文提出了一种新颖的基于生成对抗网络（GAN）的深度滤波器，其与全局跳跃连接和密集结构相集成，以解决由于相机和物体之间的相对运动引起的运动模糊问题。在不需要进行模糊核估计的情况下，我们的模型显著减少了测试时间，证明了该方法在定量和定性上均胜过现有的盲去模糊算法，具有实际应用前景。

    Sep, 2017

  • 生成式深度场：通过深度学习生成任意大小的随机合成天文图像

    利用空间生成对抗网络（SGANs）和数据驱动的方法，成功地生成了类似哈勃空间望远镜极深场（XDF）的高保真度星系图像，表明该技术在天体物理学及其他领域制造大规模逼真的模拟调查和合成数据的潜力。

    Apr, 2019

  • 联合图像去模糊和超分辨率的门控融合网络

    本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

    Jul, 2018