May, 2020

基于相机光谱灵敏度先验的自适应加权注意力网络用于从 RGB 图像重建光谱

PDF
TL;DR我们提出了一种自适应加权关注网络（AWAN）用于光谱重建，其主干由多个双残差注意力块（DRAB）堆叠装饰而成，具有长短跳连接以形成双残差学习。同时，我们进一步发现，RGB 图像和高光谱图像之间的不同之处是重建过程中更精细的约束条件，该方法在 NTIRE 2020 Sepctral Reconstruction Challenge 中获得了第一名和第三名，相对于其他最先进的 SR 方法具有更高的效率和感知质量。
发现论文，激发创造
  • 自适应交叉注意力空间 - 光谱图卷积网络用于高光谱图像分类

    提出了一种自适应的空间 - 光谱图卷积网络，其中包括一个空间图卷积子网络、一个光谱图卷积子网络和一个图交叉注意力融合模块，通过加入注意力机制，融合了空间和光谱特征，并探索了优化图形的思想，在两个高光谱图像数据集上实验证明了该方法比其他分类方法具有更好的性能。

    Apr, 2022

  • 基于颜色注意力网络的低光图像增强

    本文提出基于卷积神经网络的针对低光图像的色彩注意力网络（CWAN），学习了从低光到高质图像的端到端映射，并且在低光图像中寻找有用的色彩线索来辅助色彩增强过程，定位这些区域并将 CWAN 的注意力主要集中在综合这些局部区域以及整个全局图像上，基于挑战性数据集的定量和定性实验证明了该方法相对于现有技术的优势。

    Nov, 2019

  • SAWU-Net：面向高光谱图像的空间注意力加权解混合网络

    提出了一种基于空间注意力权重的混合网络（SAWU-Net），该网络可以更好地在端到端的模式下，学习空间注意力网络和加权混合网络，以更好地利用空间特征。 SAWU-Net 通过像素注意块和窗口注意块有效地建模基于像素的光谱信息和基于补丁的空间信息，生成动态自适应的空间权重，以更有效地集成周围像素，其实验结果表明 SAWU-Net 具有更好的精度和优越性，反映了所提出的空间注意力机制的有效性。

    Apr, 2023

  • AWNet：基于注意力小波网络的图像 ISP

    本论文介绍了一种利用注意机制和小波变换，名为 AWNet 的新型网络，用于解决可学习的图像 ISP 问题。实验结果表明，该方法在 qualitatif 和 quantitatif measurements 方面都取得了进展。

    Aug, 2020

  • 基于卷积和注意力网络的高光谱图像去噪

    提出了一种混合卷积和注意力网络（HCANet），通过同时建模全局和局部特征，利用卷积神经网络（CNN）和 Transformer 的优势，设计了卷积和注意力融合模块来捕捉长距离依赖和邻域光谱相关性，以及设计了多尺度前向网络来提取不同尺度的特征，从而提高多尺度信息聚合的性能，实验结果表明了 HCANet 模型的合理性和有效性。

    Mar, 2024

  • 自适应加权学习网络轻量级图像超分辨率

    本研究提出了一种自适应加权超分辨率网络（AWSRN），其中包括局部融合块（LFB）和自适应加权多尺度（AWMS）模块，以提高超分辨率任务中的效率和性能。实验结果表明，AWSRN 取得了比当前最先进的方法更好的性能，并且具有轻便的特点。

    Apr, 2019

  • 一种两阶段注意力网络的单幅图像超分辨率方法

    本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果

    Apr, 2021

  • 高光谱图像重建的光谱隐式神经表示

    通过引入连续光谱增益过程，以及借鉴隐式神经表示的概念，该研究提出了一种名为 Spectral-wise Implicit Neural Representation (SINR) 的创新方法，用于高光谱图像的重建，实现可定制的光谱超分辨率和全局光谱依赖关系捕捉。实验证明，该方法优于基准方法，并将隐式神经表示引入到 Coded Aperture Snapshot Spectral Imaging（CASSI）领域。

    Dec, 2023

  • 粗细光谱感知可变形卷积在高光谱图像重建中的应用

    研究了编码光阑快照光谱成像 (CASSI) 的反问题，该方法使用快照 2D 测量来捕获空间 - 光谱数据立方体，并使用算法重建 3D 高光谱图像 (HSI)。然而，基于卷积神经网络 (CNN) 的当前方法难以捕捉长程依赖和非局部相似性。最近流行的基于 Transformer 的方法由于自我注意力引起的高计算成本在下游任务中得不到充分应用。在本文中，我们首次将可变卷积网络 (DCN) 应用于这项任务，提出了粗 - 细粒度光谱感知可变卷积网络 (CFSDCN)。考虑到 HSI 的稀疏性，我们设计了一个变形卷积模块，利用其可变形性来捕捉长程依赖和非局部相似性。此外，我们提出了一个新的光谱信息交互模块，考虑到粗粒度和细粒度的光谱相似性。大量实验证明，我们的 CFSDCN 在模拟和真实 HSI 数据集上显著优于之前的最先进方法。

    Jun, 2024

  • 基于耦合解混网络的交叉注意力非监督高光谱超分辨率

    本研究提出了一种带有跨注意机制的耦合解混合网络 (CUCaNet)，用于通过更高空间分辨率的多光谱图像 (MSI) 增强高光谱图像 (HSI) 的空间分辨率，并在三个广泛使用的 HS-MS 数据集上进行了广泛的实验来证明其优越性。

    Jul, 2020