Apr, 2022

SUMD：用于图像去噪的超级 U 形矩阵分解卷积神经网络

PDF
TL;DR本文提出了一种新颖高效的 CNN 框架，结合 MD 模块和多分支 U 形结构，获得了与 Transformer-based methods 相当的全局上下文特征表征，用于图像去噪，实验结果表明模型 SUMD 可在各种数据集上产生可比较的视觉质量和准确性结果。
cnn-based frameworkimage denoisingglobal context featurematrix decomposition modulemulti-stage progressive restoration
发现论文，激发创造
  • 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

  • 面向现实世界图像的上下文感知变压器自监督图像去噪

    本文提出了一种新颖的 Denoise Transformer 算法，其中包括 CADT 单元和 SNE 块，通过二者的结合构建分层网络，直接利用残差学习获取噪声分布信息，进而形成最终的去噪输出。实验证明，该算法在传统深度学习方法中具有更好的性能和岩石文本以及低光图像，而不需要关于噪声级别或类型的任何先前知识。

    Apr, 2023

  • 多深度分支网络用于高效图像超分辨率

    通过引入多深度分支网络（MDBN），本文提出了一种新的超分辨率方法，该方法可以更好地提取和保留高频细节同时降低计算代价。

    Sep, 2023

  • WiTUnet：一种融合 CNN 和 Transformer 的 U 形架构，用于改善特征对齐和本地信息融合

    本文介绍了一种名为 WiTUnet 的新型 LDCT 图像去噪方法，该方法利用嵌套的密集跳跃路径代替传统的跳跃连接来改进特征整合，同时在编码器和解码器中增加了局部图像感知增强 (LiPe) 模块以提高局部特征捕获和表示能力；通过广泛的实验比较，WiTUnet 在峰值信噪比 (PSNR)、结构相似度 (SSIM) 和均方根误差 (RMSE) 等关键指标上表现出优越的性能，显著提高了去噪和图像质量。

    Apr, 2024

  • 基于知识蒸馏的单幅图像多重降噪和重建网络

    本文提出了一种轻量级的多重退化和重建网络 (MDRN)，通过引入两种新颖的异构知识蒸馏策略 (HMDS)，使得 MDRN 能够在极端情况下去除噪声并重建高质量的去噪图像，相较于其他单幅图像去噪方法 MDRN 具有更少的参数且更优秀的性能。

    Apr, 2022

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • DDT: 双分支变形 Transformer 图像去噪

    本文提出了一种高效的 Dual-branch Deformable Transformer (DT) 去噪网络，在局部和全局分支中均应用了可变形关注机制，能够更好地捕捉图像中的局部和全局交互，并能显著减少计算成本，取得了在真实世界和合成去噪任务方面的最先进性能。

    Apr, 2023

  • 单幅图像去雾的 U 型视觉猛蛇

    提出了一种名为 UVM-Net 的高效单图像去雾网络，结合了 Transformer 和 State Space Sequence Models (SSMs) 的能力，能够更有效地建模长距离依赖关系，并在图像去雾和其他图像恢复任务中取得了良好的效果。

    Feb, 2024

  • 卷积 - Transformer 混合概率先验展开框架及其在视频快照压缩成像中的不确定性估计

    本文提出了一种基于 DUN 框架下的 3D 卷积 - Transformer 混合（CTM）模块，该模块利用 Transformer 的 3D 有效可扩展关注模型充分学习时间和空间维度之间的相关性，并引入方差估计来表征重建过程中的高频信息，实验结果表明该模型在视频 SCI 重建方面取得了最好的表现（比此前的 SOTA 算法 PSNR 提高了 1.2dB）。

    Jun, 2023

  • 适用于带变分退化的超分辨率的统一动态卷积网络

    本论文提出一种基于动态卷积的网络 ——UDVD，可以处理不同来源和类型的降级，相比现有的模型，UDVD 的效果更为优越和广泛。在合成和真实图像上的实验证实了这一点。

    Apr, 2020