Jan, 2022

可塑卷积快速高质量图像降噪

HTML
PDF
TL;DRMalleable Convolution (MalleConv) is introduced to perform spatial-varying processing with minimal computational overhead for image denoising networks, and is shown to achieve high-quality results with minimal computational cost compared to existing denoising algorithms.
发现论文，激发创造
  • 使用全卷积网络进行快速图像处理

    使用全卷积网络进行运算符逼近可以显著提高逼近精度，降低运行时间和内存开销。在输入输出对上的训练可以将原始运算符逼近，并且可以对多种不同的高级图像处理运算符进行逼近，包括多种变分模型、多尺度调节和明暗细节操作等。

    Sep, 2017

  • FFDNet: 基于CNN快速灵活的图像去噪解决方案

    提出了一种快速而灵活的去噪卷积神经网络FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于BM3D。

    Oct, 2017

  • 通用去噪网络：一种新颖的用于图像去噪的CNN架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017

  • 核预测网络进行突发噪声去除

    本文提出了一种技术，用于联合去噪从手持相机拍摄的一连串图像。特别地，我们提出了一个卷积神经网络体系结构，用于预测空间变化的核对齐和去噪，一种基于真实噪声形成模型的合成数据生成方法，以及通过一个退火损失函数指导的优化，以避免不良的局部最小值。我们的模型在真实数据和合成数据的宽范围噪声水平上与现有技术相匹配或表现优越。

    Dec, 2017

  • 单图像去噪的空间自适应网络

    本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

    Jan, 2020

  • 全维动态卷积

    该论文提出一种更加通用而优雅的动态卷积设计，Omni-dimensional Dynamic Convolution (ODConv)，通过多维度的注意力机制与并行策略学习卷积核在四个维度上的补充注意力，以提高各种流行的CNN主干网络的准确性，且可通过将其插入到现有CNN架构中来使用，实验证明与多个动态卷积方法相比，ODConv 甚至只需一组卷积核就能显著提高准确率。

    Sep, 2022

  • 自适应动态滤波网络用于图像去噪

    本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块(SEKG)以及动态卷积块(DCB)和多尺度动态卷积块(MDCB)。此外，还提出了多维特征集成(MFI)机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的ADFNet在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。

    Nov, 2022

  • 图像去噪方法比较

    本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估,我们实验的结果显示,除了DNN模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现,我们也讨论了现有技术的缺点和可能的扩展。

    Apr, 2023

  • KernelWarehouse：面向参数高效动态卷积

    通过重新定义动态卷积中的基本概念，并采用策略性的卷积核分割和仓库共享，提出了一种更高效的动态卷积方法KernelWarehouse，实现了参数效率和表征能力的有利平衡，并通过在ImageNet和MS-COCO数据集上的实验证实了其在不同ConvNet架构上取得了最新的结果。

    Aug, 2023

  • 快速、非局部和神经网络：图像去噪的轻量高质量解决方案

    通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

    Mar, 2024