Dec, 2021

自闸记忆循环网络用于高效可伸缩 HDR 去鬼影

PDF
TL;DR本文提出了一种基于递归网络的 HDR 去霓虹方法，使用卷积和递归的结构以生成视觉效果良好，没有去霓虹的 HDR 图像。该方法引入了一种新的递归单元结构，即自门内存（SGM）单元，它优于标准 LSTM 单元，同时包含更少的参数并具有更快的运行时间。 在双向设置中使用两个 SGM 单元可提高输出质量，并在不需要重新训练的情况下同时实现了对变长输入序列的可扩展性。此方法在三个公开可用数据集上在数量上比现有的 HDR 去霓虹方法具有最先进的性能。通过全面的消融实验，我们证明了所提出方法中各个组成部分的重要性。
hdr deghostingrecurrent networksgm cellconvolutional architecturestate-of-the-art
发现论文，激发创造
  • 图像超分辨率的门控多反馈网络

    通过引入多个反馈连接和深度残差网络，本文提出了一个基于深度学习的图像超分辨率方法，可以有效地使用多个高层特征，提高低层特征的上下文信息。实验证明，这种方法在定量和定性的评估中都优于现有的超分辨率方法。

    Jul, 2019

  • 基于注意力引导的网络，用于无幽灵高动态范围成像

    提出了一种采用注意力模块引导合并 LDR 图像的高动态范围成像（AHDR）神经网络，此方法可避免光流估计误差引起的伪影问题，通过实验证明该方法能够在图像质量上达到最先进的水平。

    Apr, 2019

  • 自我监督的动态场景中使用多曝光图像的高动态范围成像

    该研究提出了一种自监督的高动态范围（HDR）重建方法 SelfHDR，该方法仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求，并通过两个互补组件来学习重建网络，分别关注 HDR 颜色和结构。实验结果表明，SelfHDR 在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

    Oct, 2023

  • SGNet: 基于梯度频率感知的结构引导网络用于深度图超分辨率

    我们提出了结构引导网络 (SGNet)，该网络利用梯度和频率域捕捉高频结构，包括梯度校准模块 (GCM) 和频率感知模块 (FAM)，通过实验证明我们的 SGNet 在真实和合成数据集上具有优越性能。

    Dec, 2023

  • 基于像素和块级别的统一 HDR 成像方法

    使用深度神经网络、Transformer 等技术提出 HyHDRNet 网络，实现低动态范围图像转高动态范围图像的时空去影与融合，与同类算法相比，取得更优的定量和定性效果。

    Apr, 2023

  • SMAE：饱和度感知掩膜自编码器用于 HDR 去鬼影的小样本学习

    本文提出了一种半监督方法 ——SSHDR，利用饱和区域自编码器（SMAE）和迭代半监督学习框架，通过两个阶段的训练来实现小样本高动态范围成像，避免过拟合问题，并在实验中取得了优秀的成果。

    Apr, 2023

  • 用于远距离语音识别的高速公路长短期记忆循环神经网络

    本研究提出了一种基于深度神经网络的语音识别模型，它使用直连和双向 LSTM 来提高信息传递效率，并在 AMI DSR 任务上取得了显著的性能提升。

    Oct, 2015

  • 质量门控卷积 LSTM 用于增强压缩视频

    本文提出了一种基于品质的门机制的卷积长短期记忆（QG-ConvLSTM）神经网络，以利用大量帧的优势信息，整合了多帧信息进行质量增强，实现了压缩视频的最新质量增强。

    Mar, 2019

  • 视频目标分割的循环动态嵌入

    该论文提出了一种 Recurrent Dynamic Embedding (RDE) 技术，利用 Spatio-temporal Aggregation Module (SAM) 来生成和更新一个大小固定的内存库，解决了长视频中硬件无法承受不断增加存储要求的问题。同时还加入一种无偏引导损失来增强 SAM 的鲁棒性，提出自我修正策略，使网络可以纠正内存库中具有不同质量的掩码嵌入，进而实现了在性能和速度之间的最佳平衡，并提供了相应的代码。

    May, 2022

  • 视频动作识别的门移网络

    本文中提出使用空间门控机制来处理 3D 核的空间 - 时间分解，实现 Gate-Shift Module (GSM) 用于视频动作识别，结果在 Something Something-V1 和 Diving48 数据集上达到了最新的最优结果，而且在 EPIC-Kitchens 数据集上，获得了竞争性结果，具有远低于模型复杂度的优点。

    Dec, 2019