自适应跨层级注意力图像修复
本文提出了一种新颖的协作注意力网络(COLA-Net),该网络是首次尝试将局部和非局部注意力机制相结合以在复杂纹理区域和高度重复细节区域恢复图像内容。实验表明,我们的 COLA-Net 无论在峰值信噪比还是视觉感知上都达到了最先进的性能,同时保持了较低的计算复杂度。
Mar, 2021
本文提出了残差非局部注意力网络用于高质量图像恢复,利用局部和非局部注意块来提取长程依赖的特征并对挑战性部分进行更多关注,在局部和非局部注意力学习中加入残差机制以增强网络的表征能力,可以被推广应用于各种图像恢复应用中,如图像去噪,去马赛克,压缩失真减少和超分辨率。实验结果表明,我们的方法在定量和定性指标上都取得了可比或更好的结果。
Mar, 2019
我们提出了一种新颖的可学习协同注意力(LCoA)方法,通过引入归纳偏差来解决非局部建模中的高计算复杂性和内存消耗问题,并将其集成到深度可学习协同注意力网络(LCoAN)中,与其他先进的超分辨率方法相比,在推理时间、内存消耗和重建质量等方面取得了有竞争力的性能。
Apr, 2024
提出跨层多头循环层关注(MRLA)机制,以检索来自不同感受野级别的查询相关信息来丰富许多视觉网络的表示能力,并在图像分类、目标检测和实例分割等任务中获得了显著的提升。
Feb, 2023
本文提出了一种新的高效非局部对比度注意力 (Efficient Non-Local Contrastive Attention, ENLCA),实现了长距离视觉建模和更多相关非局部特征的利用。通过引入核方法来近似指数函数,达到线性计算复杂度,并通过对比学习从而进一步分离相关和无关特征,证明了 ENLCA 的有效性。
Jan, 2022
本文提出了一种基于注意力机制的深度卷积神经网络用于图像修复,在空间、通道和层次三个维度加入注意力机制以用于更好的特征表达和特征相关性学习。实验表明该方法在定量和视觉分析上优于现有方法。
Sep, 2020
本文提出了一种名为 CCA 的注意力模块,旨在通过最大化不同注意区域之间的信息增益来克服以前的限制,并提出了一种新的深层网络,利用不同的注意力机制学习人物图像的强鲁棒性和判别表现,得到的模型被称为 CCAN,大量实验证明 CCAN 在人物重新识别任务上优于当前状态下的最先进算法。
Jun, 2020
本文提出了一种基于深度神经网络(DNN)的 VAE 结构的新型非局部注意力优化和改进的上下文建模图像压缩(NLAIC)算法,采用了非局部网络操作嵌入到编码器和解码器中,通过采用关注机制生成掩码来让特征自适应量化,实现了改进条件熵建模潜在特征,可在实际应用中增加速度、降低内存消耗和减轻实现复杂度的额外增强措施,并在 Kodak 和 CLIC 数据集上取得了与现有方法相比的最新压缩功率效率。
Oct, 2019
本篇论文提出了一种高效的局部注意力 (ELA) 方法,该方法通过引入 1D 卷积和分组归一化特征增强技术,实现了在不通过降维的情况下,精确定位感兴趣区域的目标,并且具备轻量级的实现。在 ImageNet、MSCOCO 和 Pascal VOC 数据集上的广泛评估表明,ELA 模块在图像分类、目标检测和语义分割等三个视觉任务中优于当前最先进的方法。
Mar, 2024
本文提出动态注意力图学习模型(DAGL)来探索图像修复中基于图块级别的动态非局部特性,通过对每个节点应用改进的图模型进行图块级图卷积,以达到自适应平衡平滑和过度清晰伪影、增强信息传递的目的,实验结果显示,该模型在各种图像修复任务中都可以产生优秀的结果。
Sep, 2021