让老照片重焕生机
提出了一种结合时间卷积神经网络和注意力机制的半交互式单一框架,用于修复陈旧影像并彩色化,其性能优于现有方法,并随视频时长和引用图像数量的增加而提高。
Sep, 2020
本文提出了一种学习框架——循环Transformer网络(RTN),用于修复破损的旧电影。该方法基于从旁边的帧中学习到的隐藏知识来进行恢复,能够有效推断划痕位置,同时保证时间连续性,利用更强大的Transformer块进行空间恢复,实验表明该方法优于现有的解决方案,并且可以有效地传播关键帧的颜色,最终呈现出令人信服的恢复电影。
Mar, 2022
提出了一种新颖的基于参考图像的端到端学习框架,可修复和上色老照片。该系统采用来自参考图像的颜色直方图先验知识,大大减少了大规模训练数据的需求。实验表明,该方法在质量比较和量化测试方面均显著优于先前的最先进模型。
May, 2022
本文提出了一种新方法——ReDegNet,它利用真实的低质量人脸图像及其恢复的高质量图像来建模复杂的实际降级过程,并且可以将其从脸部部位转移到自然图像中用于合成低质量图像,这可以用来显著改善非脸部区域的质量,实验证明本方法优于目前的许多方法。
Oct, 2022
本文提出了一种基于多个参考图像的老照片现代化框架,该框架使用多个参考图像进行风格化和增强,通过逼真的风格转移(PST)进行老照片的风格化,使用新的综合数据生成方案对结果进行增强,实现老照片的现代化处理。实验结果表明,该方法在处理现实老照片的现代化方面优于其他基线方法。
Apr, 2023
本研究论文提出了一种使用深度学习,特别是卷积神经网络(CNNs),与计算机视觉技术相结合的创新方法来革新艺术修复领域。通过创建多样化的退化艺术图像数据集,我们训练了一个分布式去噪卷积神经网络(DDCNN),该网络能够去除失真并保留复杂的细节,可适用于绘画、素描和照片等多种退化艺术品。大量实验证明了我们方法相对于传统技术的高效性和有效性,使退化艺术品焕发出新的风采。定量评估结果证实了我们方法的优越性,重塑了艺术修复领域,为保护文化遗产开辟了新的道路。总之,本论文引入了一种结合计算机视觉和深度学习的基于人工智能的解决方案,通过DDCNN准确恢复艺术品,克服了传统方法的局限性,并为艺术修复领域的未来进步铺平了道路。
Oct, 2023
通过扩散模型基于预训练的视觉语言模型提取视觉提示,我们提出了Diff-Restorer通用图像修复方法,以去除降级同时生成高感知质量修复结果,并通过全面的定性和定量分析展示了我们的方法的效果和优越性。
Jul, 2024
通过整合大型多模态语言模型(MMLMs)的通用先验知识和预训练扩散模型,提出了大型模型驱动的图像恢复框架(LMDIR),旨在处理各种退化类型并支持自动和用户引导的恢复,从而在多个评估基准上优于现有方法。
Jul, 2024
通过挖掘潜在空间中的关键组件并以门控方式重新分配其贡献度,并采用 X 形式的内部感知与上下文注意力的结合,实现了移动设备下对降质图像的高效恢复,有效降低模型复杂度。
Jul, 2024