多阶段渐进式图像修复
通过创新性的 U-Net 架构设计,提出一个称为 M3SNet 的图像恢复系统,通过特征融合中间件和多头注意力中间块,达到保留空间细节,集成上下文信息,并使用不到一半的计算成本,超过了先前的最优模型。
May, 2023
本研究提出了一种基于编解码器网络的多层扩展框架,探究了不同网络结构对图像修复任务的影响,并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。
May, 2019
本文介绍了一个新颖的 CNNs 图像恢复架构,名为 MIRNet,该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征,能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明,MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。
Mar, 2020
该论文提出了一种包括多帧循环网络和单帧变形器的两阶段框架,并应用多种训练策略来缩短训练时间并提高模型性能,用于处理视频修复中的图像噪声、模糊及压缩失真等问题,在 NTIRE 2022 超分辨率和压缩视频质量增强的竞赛中获得了两个冠军和一个亚军。
Apr, 2022
通过 DyNet 动态网络设计的全能图像恢复任务模型,结合权重共享机制和动态预训练策略,在图像去噪、去雨和去雾等多种任务上取得了最新的成果,同时比基准模型减少 31.34% 的 GFlops 与 56.75% 的参数。
Apr, 2024
本研究提出了一种基于数据要素导向的方法,通过利用基于提示的学习来实现单模型高效处理多种图像退化任务,结合卷积神经网络和 Transformer 模块的属性对高质量图像修复进行建模,并引入特征融合机制来改善聚合特征,所得到的 CAPTNet 架构能够处理不同类型的退化情况,在大量实验证明与专门的算法相比具有竞争性的表现。
Sep, 2023
本研究提出了一种端到端多尺度渐进式残差学习网络(MSPRL)进行图像反半色调,采用 UNet 架构和多尺度输入图像来恢复高质量的连续色调图像,并在不同的训练策略下进行了比较,结果表明 MSPRL 处理细节恢复问题中具备显著的性能优势。
May, 2023
我们提出了一种全能多退化图像恢复网络 (AMIRNet),通过聚类逐步构建树状结构,学习未知退化图像的退化表示,并利用特征转换模块 (FTB) 弥补领域差异,从而实现从各种未知失真中恢复高质量图像的目标。
Aug, 2023
本文提出了一种多阶段集成网络(MINet)用于多对比度 MRI SR,该网络能够显式地建模不同阶段的多对比度图像之间的依赖关系以引导图像 SR。实验证明,MINet 优于目前的多对比度 SR 方法,具有改善目标图像质量的能力。
May, 2021
本文介绍了一种基于 UNet 的双流终端到端架构,用于图像修复。其中,结构流辅助主流产生了合理结构和真实细节的结果。实验结果表明,该方法优于当前最先进的方法。
Nov, 2021