NTIRE 2020 挑战赛:从 RGB 图像中重建光谱
该研究提出了一种新颖的轻量级、端到端学习的框架,能够在没有成对的高光谱和 RGB 图像训练数据的情况下,从单个 RGB 图像重建高光谱图像,并在合成和实际数据上实现了更好的性能。
Aug, 2021
本文提出针对 RGB 图像的光谱重建问题一种基于深度学习和卷积网络的高效解决方案,使用参考光谱进行敏感度函数估计,并讨论普适性与特化模型的局限性,实验结果表明,从单张 RGB 图像准确进行光谱估计已经可以在一定程度上实现。
Dec, 2018
本研究提出了一种基于四级分级回归网络和 PixelShuffle 层的高光谱图像重建方法,采用残差密集块来消除实际 RGB 图像的伪影,并采用残差全局块来建立注意机制扩大感知范围,通过 NTIRE 2020 Challenge 比较各种架构和技术,本方法获得了轨道 2 - 实际图像的胜利,并在轨道 1 - 清晰图像上排名第三。
May, 2020
通过深度学习从 RGB 图像重建高光谱图像,可用于预测甘薯中的可溶性固形物含量,结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型,突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。
May, 2024
通过将两个校准的多光谱实时摄像机结合成一个立体系统,我们提出了一种新方法来连续捕捉高光谱数据立方体,实现三维重建和光谱分析,以提高空间分辨率和光谱分辨率的视频流,旨在用于手术辅助监控。
Dec, 2023
该论文旨在回顾 NTIRE 2020 关于真实图像去噪的挑战, 着重介绍新引入的数据集 SIDD+、 提出的方法以及其结果,展示在 Bayer-pattern rawRGB 和标准 RGB(sRGB)颜色空间中对图像去噪的性能进行量化评估的两个赛道,其中参赛者达到了约 250 人。22 支队伍采用了 24 种方法进行比赛,参赛团队提出的方法代表当前针对真实噪声图像的图像去噪中的最新技术表现。
May, 2020
本文总结了第一届 NTIRE 立体影像超分辨率挑战赛,该挑战赛通过标准双三次降采样实现了在立体影像超分辨率问题上的新解决方案和结果,最终有 21 个团队参加了测试,其中 20 个团队的 PSNR (RGB) 得分优于基准线,该挑战赛为立体影像超分辨率建立了新的基准。
Apr, 2022
通过深度学习,提出了一种 SpecNet 深度架构,该架构计算光谱剖面以估计给定图像的像素动态范围调整,进而实现在低光条件下用环境一致框架生成高光谱图像,并通过自我监督和光谱剖面规则化网络来从 RGB 图像推断出可能的高光谱图像。
Feb, 2021