ICCVNov, 2019

图像去马赛克和增强的高分辨率网络

PDF
TL;DR提出了一种高分辨率神经网络（HERN）方法，通过两个并行路径来学习两个不同分辨率下的图像特征，结合全局感知特征和多尺度特征，使用渐进训练方法处理图像去马赛克和增强任务，实现了令人满意的 GPU 内存使用和较快的模型收敛。在 AIM2019 RAW 转 RGB 挑战中取得了最先进的表现。
neural networksimage restorationglobal informationhigh-resolution networkprogressive training
发现论文，激发创造
  • 协作全局 - 局部网络的超高分辨率图像内存高效分割

    提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

    May, 2019

  • 快速深度多补丁分层网络用于非均质图像去雾

    我们提出了一种快速的深度多块分层网络，通过聚合来自迷雾图像不同空间段的多个图像块的特征，从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比，我们的方法提供更快的运行时，并展示了在密集雾去除方面相对于其他最先进模型的优势。

    May, 2020

  • 基于异构动态卷积神经网络的图像超分辨率

    通过异构动态卷积网络来实现图像超分辨率，该网络能够有效地提取上下文信息和结构信息以改善图像超分辨效果。

    Feb, 2024

  • 视觉系统的资源高效感知

    应对高分辨率图像处理中的计算挑战，提出了一种利用内存高效的基于块处理的框架，通过全局上下文表示和局部块信息实现对图像内容的全面理解，并在不受内存限制的情况下对超高分辨率图像进行训练，在分类、目标检测和分割等七个基准测试中取得了卓越性能，甚至在像 Jetson Nano 这样的资源受限设备上也能表现出色。

    May, 2024

  • 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

  • 利用高分辨率特征优化基于深度哈希的图像检索

    深度哈希技术利用高分辨率特征提取的高分辨率哈希网络（HHNet）在复杂数据集上显示出优于现有方法的性能提升，强调了在复杂图像检索任务中学习高分辨率特征的必要性。

    Mar, 2024

  • 深度高分辨率表示学习用于视觉识别

    High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

    Aug, 2019

  • 高分辨率图像识别的迭代补丁选择

    提出一种名为 Iterative Patch Selection (IPS) 的简单方法，该方法仅选择最显着的补丁，将其聚合成用于图像识别的全局表示，从而可以在硬件限制下处理任意大小的图像，展现出强大的性能和广泛的适用性，同时使用最少的加速器内存。

    Oct, 2022

  • Hi-ResNet：高分辨率遥感图像语义分割网络

    本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。

    May, 2023

  • HRDNet：用于小物体高分辨率检测的网络

    本文提出了基于高分辨率检测网络（HRDNet）和多深度图像金字塔网络 (MD-IPN)、多尺度特征金字塔网络 (MS-FPN) 的小目标检测方法，实验表明，该方法在小目标上具有最先进的性能。

    Jun, 2020