SAGAN:面向嘈杂的非 Bayer 重建的对抗空间不对称注意力
该研究提出了一种高效的统一解模糊方法,适用于传统的 Bayer RAW 和各种非 Bayer CFAs 的 RAW 数据,通过在网络中使用自适应滤波器对 CFA 进行知识学习,并利用元学习来消除真实 RAW 数据中的未知传感器产生的伪影,从而在合成图像和真实 RAW 数据中取得了最先进的解模糊性能。
Jul, 2023
该研究提出了一种名为对比特征对齐 (CFA) 的解决方案,旨在学习具有稳健性的不变表示形式,通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型,以获得逐步学习不变目标表示的能力,该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估,并成功证明其在不熟悉的环境中识别目标的效能
Apr, 2023
本文提出了基于 DNN 的原始图像去噪新数据预处理和增强技术,其中包括 Bayer 模式统一、Bayer 保持增强方法和修改后的 U-Net,以在 NTIRE2019 真实图像去噪挑战中达到 52.11 的 PSNR 和 0.9969 的 SSIM,展示了目前最先进的性能。
Apr, 2019
本文提出了利用卷积神经网络(CNN)解决去马赛克问题的全面研究,包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效,可用于任何 CFA 设计的去马赛克,并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。
Feb, 2018
本研究介绍了一种使用对抗学习合成高分辨率多光谱卫星影像的方法,其中通过注意力机制规范能带合成过程,进一步使用带渐变惩罚规范对抗性学习的训练和稳定性,提出了一种评估鉴别器深度特征的新成本函数,通过对 LISS-3,LISS-4 和 WorldView-2 数据集上的实验发现,使用该方法可以获得比目前现有技术更好的结果,并提供简单易用、丰富多样的高质量成像数据产品。
Apr, 2020
本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器,以生成单色原始图像,同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明,通过利用原始传感器数据和数据驱动的学习,可以显著提高图像质量。
Mar, 2022
提出了一个准确、快速、轻量级的网络 CAIR 用于 Instagram 滤镜去除,采用非线性激活函数自由网络(NAFNet)和加入颜色注意力模块,达到 11× 快速和 2.4× 轻量级,同时在 IFFI 数据集上超过了 3.69 dB PSNR,并成功去除了 Instagram 滤镜和恢复了色彩信息。
Aug, 2022
本文提出了一种基于 NeRFA 的 seq2seq 形式,用于视图合成,在四个数据集上优于 NeRF 和 NerFormer,并在单场景视角合成和类别中心的新视图合成两个方面取得了最新技术成果。
Jul, 2022
该研究提出了一种基于 CBAM 的复杂函数模型,用于在规范化流模型中保留和有效提取空间结构信息,从而实现异常检测,并在 MVTec AD 数据集上实现了像素级 AUC 为 98.64%的卓越准确性。
Jun, 2022