GIA-Net: 用于低光成像的全局信息感知网络
本研究提出了一种名为 GaNI 的全球和近场照明感知的神经逆渲染技术,能够从光和相机共同拍摄的场景图像中重建几何、反射率和粗糙度参数。我们通过两个阶段的方法来解决现有的逆渲染技术只能针对单个物体的问题,首先利用神经体积渲染 NeuS 重建几何,然后使用先前预测的几何来估计反射率和粗糙度。实验证明,我们的方法在合成和真实数据上表现优于现有的基于光和相机共同拍摄的逆渲染技术,能够产生更好的反射率和略微更好的几何。
Mar, 2024
通过结合传统方法与深度学习技术,本研究提出了一种创新的低光图像增强网络 CPGA-Net,该网络结合了暗 / 亮通道先验、伽马校正、大气散射模型和 Retinex 理论的特征,成为一个轻量级网络,在客观和主观评价标准上取得了优异性能,为低光环境下的实际应用提供了新的解决方案。
Feb, 2024
本文提出了一种新颖的网络结构,利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合,我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正,加速了训练和推理速度。我们提出了一种新颖的变压器块,通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系,从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明,我们的方法优于现有方法。
Aug, 2023
通过提出具有全局密集注意力(GIA)模块的医学图像编码器和可视化知识引导解码器(VKGD),我们的研究旨在解决自动放射学报告生成中的多视角推理和多模态信息处理的问题,实现更准确的报告生成。在实验中,我们的方法在 IU X-Ray 和 MIMIC-CXR 两个常用数据集上展现出比其他最先进方法更优越的能力。
Feb, 2024
本文提出了一种名为 LGCNet 的神经架构搜索框架,该框架采用新的搜索空间来有效地搜索轻量级模型,并通过引入 GCN 引导模块实现局部信息交换和提出新型的密集连接融合模块来实现全局信息聚合,同时还引入了基于时延的约束来平衡准确性和速度。大量实验证明,LGCNet 在 Cityscapes 和 CamVid 数据集上取得了最新的最先进的准确性和速度的平衡。
Feb, 2023
提出了一种多信息集成网络(MIANet),它有效地利用了一般知识和实例信息进行准确的分段,通过多种信息聚合,MIANet 高效地利用了语义词嵌入和实例信息,最终提高了 PASCAL-5i 和 COCO-20i 数据集的性能并取得了新的最佳效果。
May, 2023
本研究介绍了 FLW-Net,一种用于低光图像增强的快速轻量级网络,可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果,并进行了比较实验以证明其有效性。
Apr, 2023
该研究提出了一个名为 GCPANet 的新网络,采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征,并通过监督学习生成显着性图像。此外,还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块,以进一步提高网络性能。实验结果表明,该方法在六个基准数据集上的表现比现有方法都要好。
Mar, 2020
该研究旨在提出一种新型的像素训练规程(PX-NET),它通过在独立像素生成数据上替换全局渲染图像的训练数据来实现对物体几何结构的迅速恢复,在结构和性能上都优于同类像素方法。
Aug, 2020
在这篇论文中,我们提出了一种使用深度多输入网络的行为识别方法,并且还提出了一种独立伽马强度校正(Ind-GIC)来增强贫光照视频,通过生成一个伽马值来提高增强性能。通过与现有方法的评估和比较,实验结果表明我们的模型在 ARID 数据集上取得了高准确度。
Aug, 2023