图像恢复的残差稠密网络
本文提出了一种新型的残差稠密网络 (RDN),该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征,并通过局部特征融合和全局特征融合来稳定更广泛的网络培训,进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。
Feb, 2018
本研究提出了一种名为 GRDN 的图像降噪卷积神经网络,采用了一个组合残差密集块,并结合一种基于生成对抗网络的现实世界噪声模型。实验证明,采用 GRDN 可以显著提高降噪性能,并在 NTIRE2019 实际图像降噪挑战赛或得了双方面指标的最高分数。
May, 2019
本文提出了一种基于 Dual-branch Residual Attention Network(DRANet)的图像降噪方法,通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明,相比于其他已有的方法,该方法能够更好地处理合成和真实场景下的噪声。
May, 2023
本文提出了一种基于特征蒸馏连接(FDC)的轻量级单图像超分辨率模型,即残差特征蒸馏网络(RFDN),它使用多个特征蒸馏连接来学习更具区分性的特征表示,同时提出了浅残差块(SRB)作为 RFDN 的主要构建块,通过大量实验证明,与现有的最先进方法相比,所提出的 RFDN 在性能和模型复杂度方面有更好的折衷效果,并在 AIM 2020 高效超分辨率挑战赛中获得了第一名。
Sep, 2020
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
设计了一种新的两阶段渐进残差密集注意力网络(TSP-RDANet)进行图像去噪,通过两个子任务逐步去除噪声,其中使用残差密集注意力模块(RDAM)和混合扩张残差密集注意力模块(HDRDAM)来设计两个基于注意力机制的去噪网络,以增强去噪效果。实验证实,与众多最新方法相比,所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。
Jan, 2024
本文提出了一种深度卷积神经网络体系结构,用作通用的图像到图像回归器,可以直接进行端到端的训练。我们提出的体系结构 —— 递归分支反卷积网络(RBDN)采用高效的递归分支方案和可学习的上采样,早期开发了一种廉价的多重上下文图像表示方法。该 RBDN 体系结构是完全卷积的,在推断过程中可以处理不同大小的图像。我们在 relighting、去噪和着色 3 个不同的任务上提供了定性 / 定量结果,并表明,当不进行任何后处理或任务特定的架构修改时,我们提出的 RBDN 体系结构在每个任务上都可以获得与最先进技术相当的结果。
Dec, 2016
本文介绍了一种动态网络(DSRNet)用于图像超分辨率,它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息,还能适用于复杂场景,并具有更轻便的结构。
Oct, 2023
该研究使用 Residual Dense Networks(RDN)架构并分析了其组件的重要性,通过利用原始低分辨率(LR)图像的分层特征,该架构实现了卓越的性能,具有四个主要块,包括作为核心的残留密集块(RDB),并通过使用各种损失指标的研究和分析评估了体系结构的有效性,将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 2023
本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet),在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估,表明 RIDNet 在定量指标和视觉质量上均具有优越性。
Apr, 2019