CVPRApr, 2022

深度广义展开网络用于图像修复

PDF
TL;DR该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network（DGUNet）进行图像修复，通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路，实现对复杂和现实世界图像的修复，同时保持了透明度和可解释性。实验结果表明，该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。
deep generalized unfolding networkimage restorationpgd algorithminterpretabilitycomplex and real-world applications
发现论文，激发创造
  • 通过内容自适应的梯度更新和变形不变的非局部建模的深度展开网络进行图像压缩感知

    本文提出了一种适用于图像压缩感知的新型 DUN 网络（称为 DUN-CSNet），通过引入内容自适应梯度更新和变形不变的非局部建模，解决了现有 DUN 网络的两个问题，从而实现了更广泛的上下文先验知识的感知，大幅超越了现有的其他压缩感知方法。

    Oct, 2023

  • 跨一致深度展开网络用于自适应全能视频修复

    提出了一种用于全能视频修复的交叉一致深度展开网络（CDUN）方法，通过使用单一模型来移除各种不同的退化，包括一个新颖的迭代优化框架和适应性处理各种退化的序列自适应退化估计器（SADE），以及利用窗口化的帧间融合策略来扩大时域接受野和利用远距离帧的信息，该方法在全能视频修复方面取得了最先进的性能。

    Sep, 2023

  • 双重降级启发的深度展开网络用于低光图像增强

    基于深度展开网络的双重退化启发的低光图像增强模型，通过构建双重退化模型来显式模拟低光图像的恶化机制，学习两个不同的图像先验，并通过局部和远程信息建模模块和空间聚合模块增强图像的表示能力。

    Aug, 2023

  • 基于模型引导的多对比度深层展开网络用于 MRI 超分辨率重构

    本文提出了一种新的模型引导的可解释深层展开网络 (MGDUN) 用于医学图像超分辨重建，该方法解决了现有超分辨率重建网络的黑匣子缺陷和单一对比度或简单多对比度融合机制的问题通过，通过手动设计的目标函数重建高分辨率 MRI，实验证明该方法在 IXI 数据集和 BraTs 2019 数据集上具有优越性。

    Sep, 2022

  • UGPNet：通用图像修复生成先验

    本文提出了 UGPNet，这是一个通用图像修复框架，通过采用现有的回归模型和生成模型的组合，有效地实现了回归和生成方法的优点，能够成功地实现高保真图像修复。

    Dec, 2023

  • 图像恢复的近端内点方法的深度展开

    通过深度展开法，结合了变分方法和深度学习的模型避免了超参数需要耗费大量时间并提高了计算效率，成功实现了图像恢复，结果远优于传统方法。

    Dec, 2018

  • 用于压缩感知的动态路径可控深度展开网络

    本文提出了一种动态路径可控的深度展开网络，该网络可以根据不同图像情况选择适合的处理路径，并通过不同的性能和复杂性权衡进行精细的调节，从而在压缩感知重建方面取得了优异表现。

    Jun, 2023

  • 图像压缩感知的快速分层深度展开网络

    本文提出了一种新的快速分层深度展开网络（FHDUN）用于图像压缩感知，并通过加速 FISTA 的策略实现超过 50％的迭代次数节约， FHDUN 优于现有的最先进的压缩感知方法，同时保持更少的迭代次数。

    Aug, 2022

  • 走向统一而有效的领域泛化

    我们提出了一个新颖的 $UniDG$ 框架，用于 $ extbf {D}$ 应 $ extbf {G}$ 泛化，它能够显著提高基础模型的超出分布泛化性能，而无论它们的体系结构如何。UniDG 的核心思想是在推断阶段微调模型，从而节省了迭代训练的成本。具体来说，我们鼓励模型以无监督的方式学习测试数据的分布，并对模型参数的更新步骤施加惩罚。这个惩罚项可以有效地减少灾难性遗忘问题，因为我们希望尽可能地保留原始模型中的宝贵知识。根据实证，对于 12 个视觉骨干，包括卷积神经网络（CNN）、多层感知器（MLP）和 Transformer-based 模型，参数范围从 1.89M 到 303M 个，UniDG 在 DomainBed 上平均准确度提高了 + 5.4%。这些性能结果证明了 UniDG 的优越性和多功能性。代码公开可用于此网址。

    Oct, 2023

  • 图展开网络：用于图信号去噪的可解释神经网络

    该研究提出了一个可解释的图神经网络框架，通过对图信号进行噪声去除，扩展了算法展开到图域的能力，并通过信号处理的视角提供了对架构设计的解释。通过无监督学习训练图卷积网络，自适应捕捉输入噪声图信号的适当先验知识，以获得较小的信号去噪误差。

    Jun, 2020