ICCVAug, 2021

多帧超分辨率和降噪的深度重参化

PDF
TL;DR本文提出了一种基于深度重参数化的多帧图像修复方法，通过引入学习的错误度量和目标图像的潜在表示，将最大后验形式直接模拟在潜在空间中，并集成了学习的图像先验，实现了深度学习与经典 MAP 公式的多帧融合。本方法在多组实验证明其泛化性和效果优越性，为多帧降噪和多帧超分辨率任务设立了新的最优记录。
deep learningimage restorationlatent representationmulti-frame fusionimage prior
发现论文，激发创造
  • 图像超分辨率的分摊 MAP 推断

    该研究探讨使用最大后验估计推理方法来解决图像超分辨率问题，并介绍了基于神经网络的自动编码器估计的解决方案，其中使用了 3 种方法以优化 GAN 的效果。

    Oct, 2016

  • 用于视频超分辨率中联合去噪和光照增强的深层参数化三维滤波器

    本文提出了一种新的参数化表示 Deep Parametric 3D Filters (DP3DF)，它融合了局部时空信息，并通过共享主干学习动态剩余帧，使得在单个编码器 - 解码器网络中同时实现降噪、光照增强和视频超分辨率，该方法在各种具有挑战性的真实数据集上始终优于最佳的现有方法，具有极快的运行时间。

    Jul, 2022

  • 基于宽深学习的空间和强度自适应图像恢复

    本文提出了一种新的神经网络架构 DparNet，通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化，该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效，模型参数数量和计算复杂度均较小。

    May, 2023

  • 健壮高动态范围视频合成的最大后验估计框架

    该研究提出了一种基于统计学思想的方法，通过最大后验估计对目标帧进行前景和背景优化求解，通过秩降低法得到背景估计并利用一种新颖的多尺度自适应核回归技术进行前景估计，与现有方法相比，得出高效的 HDR 视频且实验效果明显。

    Dec, 2016

  • 使用深度先验进行神经盲反卷积

    本文提出了两个生成网络分别为清晰图像和模糊核建模的深度先验，并提出了一种无约束神经优化解决盲解卷积问题的方法 SelfDeblur，实验结果表明相较于现有的盲解卷积方法，SelfDeblur 在定量和视觉上都取得了令人瞩目的成果。

    Aug, 2019

  • 深度生成模型的贝叶斯图像重建

    本文介绍一种名为 BRGM 的方法，该方法使用先前训练好的生成模型和贝叶斯定理来解决不同的图像恢复任务，如超分辨率和图像修复，而无需重新训练模型，可以在多个数据集上实现优秀的性能。

    Dec, 2020

  • 深层模型中最大后验自适应网络参数

    我们提出了一种贝叶斯方法，用于调整已训练好的文本相关、深度神经网络、隐马尔可夫模型（CD-DNN-HMM）的参数，以提高自动语音识别性能。

    Mar, 2015

  • 深度残差网络实现联合插值和超分辨率

    本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法，按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明，该方法优于目前的各种技术，并在定量和定性指标上取得了优异的表现。

    Feb, 2018

  • 用于引导深度超分辨率的深度原始 - 对偶网络

    本文提出了一种新的方法来提高深度图像的空间分辨率，使用深度全卷积神经网络和非局部变分方法在深度的原始 - 对偶网络中结合起来，通过训练我们的联合方法，可以优化卷积网络和变分方法及其优化过程等所有参数。评估表明，该方法在多个基准测试中性能优于现有技术。

    Jul, 2016

  • 图像恢复的深度均移先验

    本文提出了一种自然图像先验，直接代表了自然图像分布的高斯平滑版本，包括在基于 Bayes 估计量的图像恢复公式中，可用于解决噪声失真的图像恢复问题，利用去噪自编码器学习均值漂移向量场，再应用于 Bayes 风险最小化的梯度下降法，成功实现了媲美竞争者的噪声盲去模糊、超分辨率和去马赛克结果。

    Sep, 2017