CVPRJan, 2021

DeFlow：使用条件流从不成对数据中学习复杂的图像退化

PDF
TL;DRDeFlow 是一种用于生成逼真的训练数据的方法，用于学习来自未配对数据的随机图像退化，可广泛应用于图像恢复和增强模型的实际场景，通过条件归一化流的无配对学习实现，基于共享流编码器 - 解码器网络的潜在空间建模降级过程，从而学习给定干净输入的噪声图像的条件分布。在三个近期数据集上测试后，其用合成数据训练的模型优于以前学习方法的模型。
paired dataimage restorationimage enhancementdeflowunpaired learning
发现论文，激发创造
  • 无需清洗图像的逼真相机噪声建模 - Noise2NoiseFlow

    该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

    Jun, 2022

  • 深度图像去噪的无配对学习

    本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

    Aug, 2020

  • DeeDSR：通过降级感知稳定扩散实现实际场景图像超分辨率

    我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表现出在各种基准测试中的最先进性能。

    Mar, 2024

  • 从人脸到自然图像：学习盲目图像超分辨率的实际降质

    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

  • 面部编辑的语义潜变分与标准流

    本论文提出了一种新颖的框架 SDFlow，通过在原始潜空的基础上使用连续条件归一化流实现了语义分解，以解决面部编辑中由于潜空中不同属性之间的纠缠而导致的复杂导航问题，并通过相互信息框架下的解缠学习策略提供精确的操作控制，实验证明 SDFlow 在定性和定量两方面均优于现有最先进的面部编辑方法。

    Sep, 2023

  • LoLiSRFlow: 跨尺度变换器条件流的联合单图像低光增强与超分辨率

    通过提出一种新的网络模型，名为 LoLiSRFLow，该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题，并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。

    Feb, 2024

  • 噪声流：带条件的标准化流噪声建模

    介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow，结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比，Noise Flow 具有显著的改进，是第一次试图超越简单的参数模型，利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。

    Aug, 2019

  • SRFlow: 学习归一化流的超分辨空间

    该论文提出了一种基于正则化流的超分辨率方法 SRFlow，它可以通过训练学习输入低分辨率图像与输出高分辨率图像之间的条件分布，进而解决该问题多解的困难并提高了图像的处理能力。

    Jun, 2020

  • 学习无配对真实世界图像的多对多映射进行图像超分辨率和图像降采样

    该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。

    Oct, 2023

  • PD-Flow：一种带有归一化流的点云去噪框架

    介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法，通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射，从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明，其性能优于现有的基于深度学习的方法。

    Mar, 2022