CVPRDec, 2018

基于注意力的自适应操作选择，用于在未知混合失真情况下的图像恢复

PDF
TL;DR本文提出了一种简单而有效的神经网络层结构，其可以并行执行多个操作并通过注意力机制进行加权，以选择适当的操作来应对多种组合失真。实验结果表明，该方法比以前的方法在恢复具有多个组合失真的图像方面更为有效。
image restorationneural networksmultiple combined distortionsattention mechanismexperimental results
发现论文，激发创造
  • 高质量韧性深度神经网络

    研究神经网络在图像分类中受质量失真的影响，提出了一种基于混合专家模型的解决方案，通过权重共享方式减少网络参数数量并提高性能。

    Mar, 2017

  • LIRA：未知混合扭曲的终身图像恢复

    该研究致力于解决当前图像修复网络存在的问题，提供了一种基于生命技术的新颖方法，即利用神经 “生长” 策略，使之前训练的模型可以不断吸收新知识而不会遗忘旧有专业知识，该方法在处理协同模式下的混合失真图像上能够取得出色的成果。

    Aug, 2020

  • 卫星图像修复的零样本框架

    该研究提出了一种新的对卫星图像进行去畸变和恢复的方法，使用失真、参考图像和知识蒸馏来训练模型，成功地解开了卫星图像质量问题。

    Jun, 2023

  • 面向深度图像恢复的按需学习

    本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

    Dec, 2016

  • Restorer: 使用一组参数解决多个图像恢复任务

    通过 Transformer 网络 Restorer，我们设计了一种综合有效的解决方案，能够在去雨、去雪、去雾、去模糊等多种图像修复任务中展现国际领先或可比较的性能，并且在推理时速度更快。

    Jun, 2024

  • 利用多分支网络的循环使用，恢复具有未知退化因素的图像

    本文介绍一种具有多对输入输出分支的神经网络，使其可以处理多种不同的降噪因素，并采用多任务学习方法和微调训练方法，以应对从被降噪的图像中恢复出未知降噪因素下的干净图像等任务。

    Jul, 2019

  • 图像恢复中自注意力和卷积的动态关联学习

    本文提出了一种关联学习方法，利用 CNN 和 self attention 的优点并抑制它们的缺点，实现高质量和高效的图像修复。该方法通过关联雨痕去除和背景恢复来完成图像去雨，其中设计了图像去雨网络和背景恢复网络作为两个子任务，并引入了一种新颖的多输入 attention 模块用于关联学习。

    Nov, 2023

  • 金字塔注意力网络用于图像修复

    将金字塔注意力模块用于图像修复能够提高深度卷积神经网络方法的自相似性，从而能够更好地处理在不同尺度上具有类似模式的图像，并可应用于多种图像修复任务中，包括图像去噪、去马赛克、减少压缩伪影和超分辨率。

    Apr, 2020

  • GAMA-IR：全球累加多维均值用于快速图像恢复

    通过使用浅层网络和高效的块实现全局加性多维均值操作，我们介绍了一种图像复原网络，既具有快速执行速度又能提供优秀的图像质量。通过广泛的实验证明，我们的网络在各种任务上实现了与现有的最先进图像复原网络相媲美甚至更优秀的结果，并且具有较低的延迟。

    Mar, 2024

  • 图像超分辨率作为对抗攻击的防御

    本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

    Jan, 2019