本文针对图像超分辨率问题,提出一种结合传统稀疏编码模型和深度学习技术的神经网络模型,该模型在多种图像上已被证明在恢复精度和主观质量方面均优于目前现有的最先进方法。
Jul, 2015
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
本文提出了一种基于补偿放射变形的图像复原方法 SPAIR,该方法结合了损失定位信息和恰当的稀疏卷积,实现了对多种不同空间退化模型的适用,并且在多项实验中均取得了良好的表现。
Aug, 2021
本文提出了一种新的修剪方法,用于在不影响恢复精度的情况下减小图像修复网络的尺寸,该方法根据每个层的不同计算复杂度和性能要求确定 N:M 结构稀疏的修剪比,通过大量的实验结果表明,该方法在超分辨率和去模糊任务中的表现优于以前的修剪方法。
Apr, 2022
本文提出了一种新的神经网络架构 DparNet,通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化,该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效,模型参数数量和计算复杂度均较小。
May, 2023
该研究论文利用新型的图像分割神经网络,提出一种轻量级的先验调整单元,将先验知识融入现有的 IR 网络,提高了图像还原的质量。
本文提出了一种新的高保真图像恢复策略,通过将自然图像的局部平滑性和非局部自相似性统一建模,采用联合统计建模和基于正则化的框架,设计出新形式的最小化目标函数,并用基于 Split-Bregman 的算法解决该问题,实现图片去噪、去模糊和修补,验证该算法的有效性。
May, 2014
基于自适应稀疏域选择和自适应正则化,使用自然图像集合的多组自适应基来表示给定图像修复目标的本地稀疏域,引入自回归模型和非局部自相似性正则化,通过实验证明该方法在图像去模糊和超分辨率上比许多现有算法都具有更好的表现。
Dec, 2010
本文介绍了一种用于图像恢复的方法,在部分已知或精度不高的退化模型下,我们在最大后验框架中提出了一种系统的算法来处理。通过一组残缺和完整的图像对进行参数化和学习,同时学习正则化项,形成一个同时的保真度和正则化学习模型,有效地处理了图像去噪和去雨痕等问题。
Apr, 2018
通过融合和提取语义先验,我们提出了一个通用框架来改善图像恢复任务中的效果,同时提高模型的推理效率,并通过引入语义引导的关系模块来进一步改善恢复模型的性能。
Mar, 2024