ICCVAug, 2021

单幅图像去模糊中粗细策略的反思

PDF
TL;DR提出了一种多输入多输出的 U-net（MIMO-UNet）模型，采用粗到细的策略进行单幅图像去模糊网络的架构设计，其中引入了不对称特征融合技术，经实验证明该模型在精度和计算复杂度方面均优于现有方法。
coarse-to-finedeblurring networksmulti-input multi-outputu-netasymmetric feature fusion
发现论文，激发创造
  • MSSNet：用于单幅图像去模糊的多尺度级联网络

    本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

    Feb, 2022

  • 用可学习的离散小波变换的高效多尺度网络用于盲运动去模糊

    提出了一种基于单输入多输出（SIMO）的多尺度网络用于运动去模糊，简化了基于粗糙到精细方案的算法复杂性，并结合可学习的小波变换模块来减轻多尺度架构带来的细节信息恢复缺陷，该多尺度网络在多个真实去模糊数据集上表现出了最先进的主观和客观质量以及计算效率。

    Dec, 2023

  • 规模循环网络用于深度图像去模糊

    本文介绍了一个称为 “SRN-DeblurNet” 的规模递归网络，该方法使用金字塔不同分辨率的 “粗到细” 方法逐步恢复锐化图像，在大规模模糊数据集上进行评估，结果显示我们的方法比现有方法在定量和定性上的呈现更好。

    Feb, 2018

  • 深度堆叠分层多补丁网络用于图像去模糊

    提出一种深度分层多块网络方法解决运动模糊的问题，该方法在处理 720p 图像时拥有 40 倍的加速，是首个实时的深度运动去模糊模型，并且在不同深度下适用于不同的应用场景，可以有效地避免性能饱和问题。

    Apr, 2019

  • 动态场景去模糊的深层多尺度卷积神经网络

    本文提出了一种多尺度卷积神经网络模型，用于处理不同来源的模糊，通过使用自定义的大规模数据集训练该模型，实现了在动态场景去模糊方面的卓越性能。

    Dec, 2016

  • 一种山形单级网络用于精确图像恢复

    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

  • 基于概率的 MIMO U-Net：用于像素回归的高效准确的不确定性估计

    通过适应多输入多输出（MIMO）框架来解决机器学习中的不确定性估计问题，以提高预测模型的可靠性和可解释性，特别是在高风险真实世界场景中，通过在单个模型中训练多个子网络并利用深度神经网络的过参数化优势，适用于像素级回归任务，并引入一种新的同步子网络性能的方法，在两个正交数据集上的综合评估表明，该 MIMO U-Net 与现有模型具有可比较的准确性、更好的校准性以及鲁棒的异常检测能力，同时在参数大小和推理时间上有显着的改进。

    Aug, 2023

  • 多尺度增强除雾网络与密集特征融合

    本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络，包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容，实验表明该方法在公开数据集和实际雾霾图像上表现优异。

    Apr, 2020

  • 联合图像去模糊和超分辨率的门控融合网络

    本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

    Jul, 2018

  • 高效准确的多尺度拓扑网络用于单幅图像去雾

    本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

    Feb, 2021