CVPROct, 2021

突发图像修复与增强

PDF
TL;DR该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。
burst image restorationpseudo-burst featuresburst alignmentmulti-scale contextual informationadaptive aggregation
发现论文，激发创造
  • Burstormer: 爆发图像修复和增强变压器

    提出了一种名为 Burstormer 的新型基于 transformer 的框架，用于爆发图像的恢复和增强。本文采用多尺度局部和非局部特征来实现改进的对齐和特征融合，通过新的变形对齐模块和循环采样模块对连续帧信息进行整合和聚合，并利用爆发特征融合模块进行逐步上采样。Burstormer 在爆发超分辨率、去噪和低光增强方面表现优异。

    Apr, 2023

  • CANDID: 深度爆发图像去噪的对应校准

    本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

    Jun, 2023

  • 迭代残差 CNN 在连拍摄影应用中的应用

    本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

    Nov, 2018

  • 基于门控的多分辨率传输网络用于爆发式图像修复和增强

    本文介绍一种名为 GMTNet 的神经网络，它可以解决在一系列低质量的 burst 图像中的众多问题，包括通过多层次特征对齐和融合来生成高精度图像以及进行高质量的上采样。

    Apr, 2023

  • 学习增强极暗图像的暴发摄影

    本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

    Jun, 2020

  • RBSR: 高效灵活的爆发超分辨率循环网络

    本文提出了一种逐帧融合的、高效灵活的循环网络，以底帧为关键提示，并引入隐式加权损失，用于促进从具有可变数量的输入帧中获取知识，以实现从序列低分辨率和噪声图像重建高分辨率图像的目标。我们在合成和真实数据集上进行了广泛实验，结果表明，我们的方法优于当前最先进的方法。

    Jun, 2023

  • 深度爆发降噪

    本文研究了在低光照条件下使用 burst-capture 拍摄策略，使用基于循环卷积神经网络的智能集成方式进行多帧图像去噪处理。经实验证明，该方法在图像去噪方面具有最优表现，并且也可以用于图像增强和超分辨率处理。

    Dec, 2017

  • 基帧选择的突发图像超分辨率

    通过使用非均匀曝光的拍摄组合，我们提出了一个新的基准数据集 NEBI，旨在解决实际场景中的爆发图像超分辨率问题，并引入了一个适用于非均匀场景的框架选择网络 FSN，通过低计算成本实现现有超分辨率方法的无缝整合。

    Jun, 2024

  • 深度爆发超分辨率

    本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

    Jan, 2021

  • 图像高密度瞬时对齐通过相机位姿和深度估计

    本文介绍了一种新颖的方法来对手持相机拍摄的图像进行细微对齐。与传统的技术不同，该算法通过优化每个像素的摄像机运动、表面深度和方向来建立密集对应关系。这种方法改善了在具有视差挑战的情况下的对齐效果。通过对具有小型或短小基线的合成连拍进行广泛实验证明，在该环境中，该方法优于当今最佳的光流方法，而且无需任何训练。除了改进对齐效果，我们的方法还为深度估计和 3D 重建等其他图像处理任务打开了新的可能性，并取得了有希望的初步结果，使我们的方法成为各种连拍图像处理应用的多功能工具。

    Dec, 2023