Oct, 2019

BitNet: 基于学习的比特深度扩展

PDF
TL;DR该研究提出了一种基于 CNN 的比特深度扩展网络 (BitNet)，其采用编码器 - 解码器架构和多尺度特征集成，可将低比特深度图像转换成高比特深度图像；相较于之前的方法，BitNet 能够同时处理所有 RGB 通道，显著提高了颜色的恢复效果，在四个数据集上表现优于其他现有 BDE 方法和 CNN 图像处理网络，并具有最快的近实时计算速度。
bit-depthimage processingcnnbdecolor restoration
发现论文，激发创造
  • 一点点更多：逐层逐位恢复的二值图位深

    本研究提出了一种位平面逐层逼近的训练和推理策略，利用深度神经网络恢复图像的丢失位深，通过多层的监督，使用简单的网络结构，在几个图像数据集上获得了先进的结果。

    May, 2020

  • ExpandNet：一种从低动态范围内容扩展高动态范围的深度卷积神经网络

    本研究提出了一种基于深度卷积神经网络的 HDR 图像恢复方法：ExpandNet，该方法可以自动地将低动态范围（LDR）的图像转换为高动态范围（HDR）的图像，通过学习特征来重构由于量化、截取、色调映射或 gamma 校正而丢失的信息，同时通过避免上采样层来提高图像质量，在多个指标上表现良好。

    Mar, 2018

  • AdaBins: 自适应分桶深度估计

    本论文提出了一种新型的基于 Transformer 的 AdaBins 深度估计架构，与现有技术相比，在多个流行的深度估计数据集上实现了显着提升，提供了代码和预训练模型的权重。

    Nov, 2020

  • 改进的分割：学习适应暗光图像增强的亮度感知和细节敏感表示

    通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

    Jul, 2023

  • 通过端到端学习的深度图像压缩

    使用深度卷积神经网络的有损图像压缩方法，结合感知损失和对抗损失以及逐渐引入量化误差和速率约束的易到难迁移学习实现更好的速率 - 失真优化。在多个数据集中，相比于 BPG，WebP，JPEG2000 和 JPEG，平均达到了 7.81％ - 19.1％的 BD - 率降低。

    Jun, 2018

  • 通用深度图像到图像回归

    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

  • 双向传播网络用于深度补全

    通过双边传播网络（BP-Net）和多模态融合与深度精炼的多尺度框架，我们的方法在室内和室外场景上表现出色，在 NYUv2 数据集上实现了 SOTA，并在 KITTI 深度完成基准上排名第一。

    Mar, 2024

  • 面具适应性门控卷积和双向渐进融合网络用于深度补全

    基于编码器 - 解码器结构的新型深度补全模型提出了两个关键组件：MagaConv 架构和 BP-Fusion 模块。其中，MagaConv 架构通过使用迭代更新的遮罩调制卷积运算来获取精确的深度特征，而 BP-Fusion 模块通过在全局视角中利用连续的双向融合结构逐步整合深度和颜色特征。通过在包括 NYU-Depth V2，DIML 和 SUN RGB-D 在内的流行基准数据集上进行广泛实验，我们的模型表现优越，成就了在深度图像补全方面的卓越性能，并在准确性和可靠性方面超越了现有方法。

    Jan, 2024

  • 具有双向上下文分离网络的学习可扩展图像压缩

    本文提出了一种基于深度神经网络的学习可扩展 / 渐进式图像压缩方案，命名为双向上下文分离网络（BCD-Net），并采用位平面分解学习分层表示，并通过双向流来解缠上下文信息以获得更有效的压缩表示。实验证明，与最先进的基于 DNN 的可扩展图像压缩方法相比，我们提出的方案在 PSNR 和 MS-SSIM 度量方面均表现出色，并且在 MS-SSIM 度量方面比传统可扩展图像编解码器的性能更高。

    Dec, 2018

  • 使用相同的编码 - 解码 CNN 结构的深度 BCD-Net 进行迭代图像恢复

    本文探讨了极端计算成像的问题，引入卷积神经网络等新方法，提高了图像复原的准确性和速度。

    Feb, 2018