Apr, 2019

Path-Restore: 图像恢复中的网络路径选择学习

PDF
TL;DR本文介绍了一种基于 Path-Restore 的多路径卷积神经网络，使用强化学习和难度调节奖励方法进行训练，通过动态选择适当的路径，结合多个图像区域进行图像去噪和混合修复任务，在保证可比较或更好的效果的同时降低了计算成本。
convolutional neural networksimage restorationpath-restorereinforcement learningdenoising
发现论文，激发创造
  • 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

  • 通过深度强化学习打造图像恢复工具链

    RL-Restore 通过训练多个小型卷积神经网络，学习如何根据图像状况逐步选择适当的恢复工具，以更加高效地处理复杂的图像失真。

    Apr, 2018

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018

  • 伪净化视频恢复的视频恢复技术

    本研究提出了一种称为 “restore-from-restored” 的自监督视频降噪方法。该方法通过在测试阶段使用伪清晰视频来微调预先训练的网络，从而提高视频降噪性能，而无需准确的光流估计和配准步骤，并且可以通过利用多个连续帧之间存在的丰富相似补丁（即补丁重现）来提高基线网络的性能。经过实验证明，该方法可用于具有良好降噪性能的最先进的降噪器，并且 fine-tuned 网络的降噪性能得到了显着提高。

    Mar, 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

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019

  • 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

  • CRNet：一种用于统一图像恢复和增强任务的细节保持网络

    本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。

    Apr, 2024

  • Restormer: 高分辨率图像修复的高效 Transformer 模型

    本文提出了一种名为 Restoration Transformer 的有效 Transformers 模型，通过几个关键设计，使其能够捕捉长距离像素交互，同时仍适用于大图像，在图像去噪、去模糊和降雨方面达到了最先进的效果。

    Nov, 2021

  • 基于强化学习的状态感知神经自适应采样与去噪方法，用于实时路径追踪

    通过强化学习优化重要性采样网络，将采样的值输入潜在空间编码器，最终训练一个神经去噪器，该方法在多个数据集上提高了视觉质量，使渲染时间比现有技术提高了 1.6 倍，成为实时应用的有希望的解决方案。

    Oct, 2023