单张图像去雾的隐式欧拉 ODE 网络

CVPRJul, 2020

Implicit Euler ODE Networks for Single-Image Dehazing

Jiawei Shen, Zhuoyan Li, Lei Yu, Gui-Song Xia, Wen Yang

TL;DR本文提出了一个高效的端到端多级隐式网络（MI-Net）以解决单图像除雾问题，通过采用多级融合（MLF）机制和残差通道注意块（RCA-block）来提高我们网络的性能。实验表明，该方法在几个除雾基准数据集上优于现有方法，并实现了最先进的性能。

Abstract

deep convolutional neural networks (CNN) have been applied for image dehazing tasks, where the residual network (ResNet) is often adopted

发现论文，激发创造

深度残差网络与神经常微分方程之间的离散化联系被建立，证明了在特定条件下网络收敛至全局最小值。

Sep, 2023

IMEXnet 是一种采用半隐式方法来解决卷积神经网络中凸显的鲁棒性问题和局限的 “视野” 问题的新型神经网络，并通过语义分割数据的实验证明了其有效性。

Mar, 2019

本研究提出了一种新的 ODE 模型，该模型可以通过添加阻尼项来回复 ResNet 和 CNN，并通过调整插值系数来提供解释残差和非残差网络的统一框架，同时其使用的 Lyapunov 分析表明了更好的稳定性，实验证明该方法可以显著提高图像分类的准确性，并在攻击方向上展现了更强的鲁棒性。

Jun, 2020

该论文通过偏微分方程的理论框架，提出了三种新型的 ResNet 神经网络架构，分别属于抛物线和双曲线类型的 CNN，能够提供深度学习的新算法和思路，并用数值实验证明了它们的竞争力。

Apr, 2018

本文提出一种新型神经网络结构 ——NODE-ImgNet，整合了神经常微分方程和卷积神经网络块，是一种内在的偏微分方程模型，通过调用 NODE 结构，在图像去噪方面取得了增强的精度和参数效率。

May, 2023

本文提出将 MRI 图像重建问题作为一种优化问题，使用神经 ODE 模型其优化轨迹，并探究了基于三种 ODE 求解的模型，相比 UNet 和级联 CNN 等其他方法，模型表现更好，参数效率更高，从而引入一种新的通过神经 ODE 建模连续优化动力学的 MRI 重建方式。

Jun, 2020

该研究论文研究了残差网络（ResNets）在监督学习中的作用，提出了其作为 ODEs 的时空近似，并探讨了通过 ResNets 中残差块的数量和表达能力的增加来逼近 ODEs 的解，并推导了一定规则下获得预定精度所需的残差块复杂性的估计。

Oct, 2019

本文研究残差网络与解常微分方程的欧拉离散化之间的关系，并将欧拉离散化方法运用于 Transformer 中，提出一种新的 ODE Transformer 架构，实现简单高效，在机器翻译、摘要生成和语法错误修正等任务上具有较高的泛化能力和性能提升。

Mar, 2022

证明了任何拓扑同胚都可以用在 $p$- 维欧几里得空间上的神经 ODE 或 i-ResNet 逼近，且也同时表明，用单个线性层对神经 ODE 或 i-ResNet 进行修整，就足以将模型变为非可逆连续函数的通用逼近器。

Jul, 2019

提出了一种全卷积网络模型，它由一系列身份映射模块和残差在残差架构组成，用于图像去噪。网络结构具有三个独特的特点，能够显著提高噪声去除任务的准确性和图像质量。

Apr, 2020