ICLRMar, 2019

用于图像修复的 Residual Non-local Attention 网络

PDF
TL;DR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。
high-quality image restorationlocal and non-local attention blockslong-range dependenciesresidual local and non-local attention learningimage denoising
发现论文，激发创造
  • COLA-Net：协作注意力网络用于图像修复

    本文提出了一种新颖的协作注意力网络（COLA-Net），该网络是首次尝试将局部和非局部注意力机制相结合以在复杂纹理区域和高度重复细节区域恢复图像内容。实验表明，我们的 COLA-Net 无论在峰值信噪比还是视觉感知上都达到了最先进的性能，同时保持了较低的计算复杂度。

    Mar, 2021

  • 用于图像恢复的非局部循环网络

    本文提出了一种非局部递归网络（NLRN），将非局部操作纳入递归神经网络（RNN）用于图像恢复，在图像去噪和超分辨率任务中，该模型由于递归非局部操作和相关性传播而取得了优越的结果。

    Jun, 2018

  • 图像去噪的双残差注意力网络

    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

  • 残差注意力网络用于图像分类

    通过引入注意力机制，在端到端的训练过程中将其与最先进的前馈网络结构相结合，我们提出了一种卷积神经网络模型 “Residual Attention Network”，并在 CIFAR-10、CIFAR-100 和 ImageNet 三个基准数据集上实现了最佳的物体识别表现。

    Apr, 2017

  • 非局部神经网络

    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

  • 自适应跨层级注意力图像修复

    该论文提出了一种新型的自适应跨层关注模块（ACLA），来提高图像修复的效率。ACLA 为每个查询像素选择多个关键像素，并提供适配性的选择和插入设计，使其可以更好地融合不同层之间特征的相关性，从而提高图像修复的性能。

    Mar, 2022

  • 人物再识别的二阶非局部注意力网络

    该论文提出了一种基于注意力机制与二阶特征统计量的新型算法，可以直接建模长距离的特征图关系，同时将该算法与广义的 DropBlock 模块相结合，能够在主流的行人再识别数据集中表现优异。

    Aug, 2019

  • 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

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 学习丰富特征以进行真实图像修复和增强

    本文介绍了一个新颖的 CNNs 图像恢复架构，名为 MIRNet，该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征，能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明，MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。

    Mar, 2020