SwinIR:使用 Swin Transformer 进行图像恢复
本文采用 Swin Transformer V2 来改善图像超分辨率问题,特别是针对压缩输入情况,通过实验验证 Swin2SR 方法能显著提高 SwinIR 的性能。
Sep, 2022
本文介绍了一种基于 Transformer 的方法,用于图像恢复,提出了一种名为 SwinFIR 的扩展方法,旨在提高捕捉全局信息的效率,同时改进了数据增强、预训练、特征集成等高级技术,使模型的性能得到显着提高,并在多个大型基准测试上取得了最先进的性能。
Aug, 2022
本文提出了一种基于 Swin Transformer 的双分支网络,以信噪比先验图为指导,利用无监督学习构建优化目标,实现低光图像增强,并在实验中取得竞争性的结果。
Jun, 2023
采用 Swin transformer 以及 multi-channel loss 的方式用于快速 MRI 重建,在进行了多个比较和消融实验以及对多模态脑肿瘤分割的实践后,得出了良好的重建效果。
Jan, 2022
本论文通过采用分层 S 在变压器网络以及预训练超分辨率任务获得的特征表示,提出了一种新的压缩图像超分辨率(Compressed Image Super-Resolution,CISR)模型 HST,并且通过与不同的预训练任务(如双三次插值和真实超分辨率模拟)合作,并在 AIM2022 挑战赛中取得了排名第五的优异结果,具有 23.51dB 的 PSNR,在所进行的大规模实验和剪枝研究中也验证了 HST 模型的有效性。
Aug, 2022
SinIR 是一种高效的基于重建的框架,仅在单个自然图像上进行训练,可用于超分辨率、编辑、协调,绘图到图像、照片逼真的样式转移和艺术风格转移等各种图像操作,该框架采用级联多尺度学习的方式进行训练,具有比 GAN 目标更简单的低重建目标,通过量化评估表明,SinIR 在各种图像操作任务上具有竞争性能,同时与 SinGAN 相比(对于 500 X 500 像素的图像),SinIR 训练速度快 33.5 倍,我们的代码在 github.com/YooJiHyeong/SinIR 上公开。
Jun, 2021
基于 Swin transformers 的引导型 SR 架构 SwinFuSR,通过从高分辨率可见光图像提取信息,实现了对低分辨率红外图像的增强重建。
Apr, 2024
通过使用 Fast Fourier Convolution 和 Residual Swin Transformer 改进的方法和新的 cross-attention 模块,我们提出了一种名为 SwinFSR 的 Stereo Image Super-Resolution 方法,并且实验结果表明了该方法的有效性和高效性。
Apr, 2023
本论文通过交替聚合局部全局特征,引入了位移卷积实现局部空间信息和通道信息的交互,并提出了块稀疏全局感知模块以进一步实现空间和通道信息的交互。同时,引入了多尺度自注意模块和低参数残差通道注意模块,实现了不同尺度上的信息聚合。在五个公开数据集上验证了提出的网络,在超分辨率方面超过了其他最先进的网络。
Dec, 2023
利用深度学习管道,同时对一系列畸变图像进行对齐和重构,并通过 Swin Transformer 模型分析顺序图像数据,通过注意力图检测相关图像内容并与离群值和伪影区分开来,利用神经特征图作为经典关键点检测器的替代方法,从而提供稠密图像描述符以寻找图像间的点对应关系,并运用此来计算粗略的图像对齐并探索其局限性。
Oct, 2023