ICCVApr, 2019

CFSNet: 面向图像恢复的可控特征空间

PDF
TL;DR通过深度学习和交互式框架，我们提出了 Controllable Feature Space Network (CFSNet)，可以控制图像的重构结果，实现图像的去噪、保留细节和提高感知质量的平衡
deep learningimage restorationperceptual qualityinteractive frameworklatent features
发现论文，激发创造
  • 无约束人脸识别的可控引导式脸部合成

    提出了一种可控人脸合成模型，通过在样式潜空间中模拟目标数据集的分布，实现在非受限环境下的面部识别（FR）任务，并可指导合成图像的 FR 模型训练，获得了在 IJB-B、IJB-C、TinyFace 和 IJB-S 等非受限测试基准上的显著性能提升（+5.76% Rank1）

    Jul, 2022

  • 单幅图像超分辨率的通道和空间特征调制网络

    通过通道和空间特征调制，本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络，该网络能够加强高贡献信息和抑制冗余信息，同时通过门控融合节点适应性地融合分层特征，使得模型在图像超分辨率上比现有技术更优秀。

    Sep, 2018

  • 基于持久同调引导的流形简化，超越深度残差学习的图像恢复方法

    本文提出了一种新的特征空间深度残差学习算法，通过将输入和标签流形解析地映射到特征空间来简化模型，从而在图像去噪和超分辨率任务上超越了现有的残差学习算法，并在 NTIRE 比赛中获得第三名。

    Nov, 2016

  • FSOINet：基于特征空间优化的图像压缩感知网络

    本文提出了一种基于特征空间的优化启发式网络（FSOINet），将像素空间中的近端梯度下降算法逐步映射到特征空间中进行信息流处理。该网络通过端到端学习的方式，同时学习采样矩阵和其他网络参数，实现了比现有领先方法更高的重构质量。

    Apr, 2022

  • 通过深度空间特征转换在图像超分辨率中恢复逼真纹理

    本文提出一种基于语义分割概率图的空间特征变换（SFT）层，能有效恢复语义类匹配的纹理特征，使得卷积神经网络（CNN）进行单图像超分辨率（SR）重建更具真实性和视觉感受性。

    Apr, 2018

  • 逐步特征融合网络用于提升图像质量评估

    本论文提出了一种新的图像质量评估框架，采用细粒度网络获取多尺度特征，并设计一种交叉减法块用于在正负图像对内分离和收集信息，从而实现特征空间中的图像比较。实验结果表明，相比目前主流的图像质量评估方法，该网络可以实现更准确的图像质量评估，并在 CLIC 的图像感知模型赛道中排名第二。

    Jan, 2024

  • IFR-Net：用于压缩感知 MRI 的迭代特征改进网络

    为提高高加速因子下的压缩感知 MRI 图像重构的结构损失，本研究提出了一种基于迭代特征精化模型 (IFR-CS) 的监督模型驱动网络 (IFR-Net)，其具有快速重构速度和保持结构信息的优点，同时探索了基于卷积神经网络 (CNN) 的稀疏性增强去噪模块。

    Sep, 2019

  • GCFSR: 一种基于生成和控制的人脸超分辨率方法，无需利用面部和 GAN 先验知识

    本文介绍了一种基于 GAN 先验的面部图像超分辨率方法，通过特征调制和风格调制生成更加真实的面部细节并保留识别信息，对比现有方法，该方法可以在不需要额外先验的情况下从头开始训练，并可在测试时通过特征调制实现不同的生成效果。

    Mar, 2022

  • 可控神经人脸图像生成

    本文介绍了 ConfigNet，这是一种神经人脸模型，它使用合成数据将潜空间分解为传统渲染管道的输入元素，从而实现对输出图像中的个别方面进行以语义有意义的方式控制，其中实际图像扩展了生成图像的多样性并鼓励真实性

    May, 2020

  • 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