单图像去噪的多尺度自适应网络

Mar, 2022

Multi-Scale Adaptive Network for Single Image Denoising

Yuanbiao Gou, Peng Hu, Jiancheng Lv, Joey Tianyi Zhou, Xi Peng

TL;DR本文提出了一种基于多尺度自适应网络的单张图像去噪方法 (MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征，并提出了自适应特征块 (AFeB), 自适应多尺度块 (AMB) 和自适应融合块 (AFuB) 进行实现，并在多组图片去噪实验中展现出比传统方法更好的表现。

Abstract

Multi-scale architectures have shown effectiveness in a variety of tasks thanks to appealing cross-scale complementarity. However, existing architectures treat different scale features equally without considering the scale-specific characteristics, \textit{i.e.}, the within-scale characteristics are ignored in the architecture design. In this paper, we revea

multi-scale architecture single image denoising adaptive feature block adaptive multi-scale block adaptive fusion block

发现论文，激发创造

多尺度自适应融合网络用于高光谱图像去噪

本文提出了一种名为 MAFNet 的多尺度自适应融合网络用于去噪高光谱图像，该网络由逐步扩展的多尺度信息聚合网络和协同注意力融合模块组成，可以有效保留丰富的光谱结构并取得比其他技术更好的去噪性能，论文代码可供参考。

Apr, 2023

高效准确的多尺度拓扑网络用于单幅图像去雾

本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

Feb, 2021

MSSNet：用于单幅图像去模糊的多尺度级联网络

本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

Feb, 2022

AMNet: 深层空洞多尺度立体视差估计网络

本文提出了一种新的深度学习架构 ——Atrous Multiscale Network（AMNet）用于立体视差估计，AMNet 采用了有效的特征提取器，并且能够在深度特征上部署新的立体匹配代价，其提出了堆叠式 Atrous Multiscale 网络来聚合来自代价体积的丰富多尺度语境信息，可在多种尺度上高精度地估计视差。此外，本文提出了一种迭代式多任务学习方法来训练前景 - 背景感知 Atrous Multiscale 网络（FBA-AMNet），并且表明 AMNet 和 FBA-AMNet 在具有挑战性的 Middlebury，KITTI 2012，KITTI 2015 和 Sceneflow 立体视差估计基准测试中具有高精度的视差估计。

Apr, 2019

多尺度统一网络图像分类

在这项工作中，我们基于中心核对齐（CKA）分析对卷积神经网络（CNNs）的模型进行了全面的分层调查，结果表明较低的层对输入图像尺度变化更敏感。在此基础上，我们提出了多尺度统一网络（MUSN），由多尺度子网络、一个统一网络和尺度不变约束组成，以获得从多尺度输入中提取特征的能力，并将低级特征在深层进行统一，提取高层语义特征。大量在 ImageNet 和其他尺度多样的数据集上进行的实验表明，MUSN 在模型性能和计算效率方面取得了显著的改进。特别是在多尺度情景下，MUSN 的准确率提高了 44.53％，FLOPs 降低了 7.01-16.13％。

Mar, 2024

多尺度全卷积神经网络用于组织病理学图像分割：从核异常到全局组织结构

该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

Sep, 2019

AMSA-UNet：一种基于自注意力的非对称多尺度 U-Net 用于去模糊

提出了一种基于自注意力的不对称多尺度 U 型网络（AMSA-UNet）来提高去模糊的准确性和计算复杂度，通过引入多尺度 U 形结构，在全局层面关注模糊区域，在局部层面更好地恢复图像细节；在解码器部分引入自注意力机制，显著增加了模型的感受野，使其对图像的语义信息更加关注，从而产生更准确和视觉上令人愉悦的去模糊图像；同时，引入了基于频域的计算方法来减少计算量。实验证明，与八种优秀方法相比，所提出的方法在准确性和速度方面都有显著提升。

Jun, 2024

多层特征聚合与递归对齐网络在实时语义分割中的应用

通过引入多级特征聚合和递归对齐网络 (MFARANet)，在实时推理速度下实现高分割准确度；利用 ResNet-18 作为骨干网络并提出三个核心组件来弥补由于骨干网络较浅导致的模型容量不足；在三个基准数据集上进行了综合实验，结果表明我们的方法在速度和准确度之间达到了更好的平衡。

Feb, 2024

基于多注意力的超轻量级图像超分辨率

本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

Aug, 2020

基于数据驱动的神经元分配用于规模聚合网络

本文提出了一种数据驱动的神经元分配方法，以自适应地在深度神经网络的不同构建块中汇总多尺度信息。通过使用基于堆栈的采样、卷积和上采样操作生成每个尺度的特征映射，探索神经元分配方法，对计算复杂度进行了大规模的实验测试，并成功地应用于图像分类和目标检测任务，在与 ResNet 和其变体的对比中， ScaleNet 能够获得更好的性能。

Apr, 2019