CVPRApr, 2022

基于块状对比样式学习的 Instagram 滤镜去除

PDF
TL;DR该研究提供了一种基于对比 Instagram 滤镜去除网络（CIFR）的方法，旨在恢复社交媒体图像的原始版本，以提高卷积神经网络在本地化和分割任务中的推断性能。实验结果表明，CIFR 提供的策略比以往的研究取得了更好的定量和定性结果。
cnnssocial media filtersreverse style transfercifrimage recovery
发现论文，激发创造
  • 时尚图片的 Instagram 滤镜去除

    本文介绍了一种名为 IFRNet 的神经网络模型，主要用于社交媒体图片分析应用中的图像滤镜去除。模型实现过程中，将图像滤镜的影响视为样式变换问题，采用自适应归一化外部样式信息的方法，能够在不同编码器层次上直接去除过滤的视觉效果。实验结果展示了 IFRNet 在定量和定性比较中优于所有对比方法，具有很强的滤镜去除能力。此外，本文还对比了模型的滤镜分类性能和未经过滤的图像主导颜色进行了分析。

    Apr, 2021

  • 利用特征去特定风格化识别 Instagram 滤镜照片

    通过对流行的预训练模型在 Instagram 过滤器下的鲁棒性的分析结果，此文研究了简单的保持结构的过滤器对卷积特征空间的影响，并引入了一种轻量级去风格化模块优化卷积神经网络的表现。

    Dec, 2019

  • IRConStyle：使用对比学习和风格迁移的图像修复框架

    通过对比学习范式在低级任务上应用（如图像修复）的局限性及有效性的不确定性进行深入分析，提出了三个解决问题的准则，并结合对比学习的灵活性，基于风格转换提出了一种用于图像修复的新模块 ConStyle，并将其高效集成到任何 U-Net 结构的网络中，形成一个图像修复框架 (IRConStyle)，通过在各种图像修复任务上的广泛实验，包括去噪、去模糊、去雨和去雾，验证了 ConStyle 的能力和兼容性，通过替换通用修复网络为基于 transformer、CNN 和 MLP 的网络，ConStyle NAFNet 在 SOTS 户外（去雾）和 Rain100H（去雨）数据集上分别提升了 4.16 dB 和 3.58 dB，并且参数数量减少了 85%。

    Feb, 2024

  • 2022 年 AIM 挑战赛：Instagram 滤镜去除方法与结果

    本文介绍了 AIM 2022 挑战赛关于 Instagram 滤镜去除的方法和结果，对应用深度学习策略、去除滤镜产生负面影响的问题进行了研究和解决，基于 PSNR 指标对 9 个团队提出的方案进行了比较分析，得出定性结果。

    Oct, 2022

  • CAIR: 快速轻量级多尺度颜色注意力网络，用于 Instagram 滤镜去除

    提出了一个准确、快速、轻量级的网络 CAIR 用于 Instagram 滤镜去除，采用非线性激活函数自由网络（NAFNet）和加入颜色注意力模块，达到 11× 快速和 2.4× 轻量级，同时在 IFFI 数据集上超过了 3.69 dB PSNR，并成功去除了 Instagram 滤镜和恢复了色彩信息。

    Aug, 2022

  • 用 Transformer 和对比学习重新思考任意风格转换

    本研究提出了一种创新技术，通过样式一致的实例归一化和基于实例的对比学习方法来改进生成的艺术风格图片的质量，引入感知编码器来捕获样式特征，实验证明该方法生成了高质量的艺术风格图片并有效地避免了伪影。

    Apr, 2024

  • 混合卷积神经网络 - Transformer 结构上使用频域对比学习进行图像去雨

    图像去雨是一项具有挑战性的任务，涉及恢复受雨滴影响的退化图像。

    Aug, 2023

  • 通过对比学习增强领域任意图像风格转移

    本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

    May, 2022

  • 层次对比学习用于模式通用图像污损检测

    研究论文提出了一种通过对比学习来检测图像中大尺寸污损区域的方法，并且克服了不同污损模式的挑战，实现了图像修复的优越性能和泛化能力。

    Aug, 2023

  • 任意风格的快速基于块的风格转移

    本文提出了一种基于局部匹配和卷积神经网络的简单优化目标，该目标可以在保持效率的同时，产生艺术风格迁移的高品质结果。同时，本文结合内容结构和风格纹理，利用预训练网络的单层来实现该目标，并且使用 80,000 张自然图像和 80,000 张绘画进行反向优化网络的训练，这使得整个算法支持任意图像进行迁移。

    Dec, 2016