使用深度学习方法,借助真实旧照片和大量合成照片对,提出一种新的三元域翻译网络,可以恢复多种损坏类型的旧照片。与现有方法相比,在视觉质量方面,所提出的方法表现更好。
Apr, 2020
本论文提出通过深度学习方法恢复老照片的视觉效果,利用三元组领域转换网络,以及多种自然特征恢复的方法,优于现有方法和商业工具。
Sep, 2020
本文提出一种高质量的全自动上色方法,利用深度学习技术和巨大规模的参考数据库实现图像上色,通过双边滤波后处理和自适应图像聚类技术来确保无伪影的质量,并在各方面优于现有算法。
Apr, 2016
本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法,旨在避免 “固定” 模型对于固定难度级别的训练。实验表明,在四个图像修复任务上,本算法均优于传统训练和课程学习替代方案。
Dec, 2016
参考文献提出了一种名为 DocStormer 的新算法,用于恢复多种退化的彩色文档图像,并使其成为潜在的原始 PDF 文件。该算法通过 “Perceive-then-Restore” 范式、GAN 和纯净的 PDF 杂志图像等技术手段来改进彩色文档图像的质量,并提供了非参数策略 PFILI 和多退化彩色文档图像增强数据集(MD-CDE)。实验结果表明,DocStormer 在方法、数据和任务层面上填补了当前学术研究的空白,能够将多退化的彩色文档图像恢复为潜在的原始数字版本。
Oct, 2023
本研究使用现代相机,通过 StyleGAN2 框架将历史照片投影到高分辨率现代照片空间中,实现了去噪、上色和超分辨率等多种效果,并成功克服了抛弃老照片中的瑕疵的难题,本研究在多个历史人物案例中,相比现有的图像恢复算法,取得了显著的改进效果。
Dec, 2020
本文提出了一种基于分类任务的自动化方法,使用卷积神经网络在测试时前向传递来处理图像的着色问题,并且提高了其结果的颜色多样性,相比之前的方法机器生成的着色更加逼真,并且证明了这种自动着色可以作为一项有效的预训练任务,提供了在特征学习领域上最好的性能。
Mar, 2016
本文提出了一种基于全卷积网络 (FCN) 的彩色图像恢复方法,该方法通过学习直接将受损图像映射到干净图像的端到端映射,实现了盲图像修复并在图像去噪方面表现超过传统稀疏编码方法并有着与最先进方法相当的性能。
Nov, 2016
这篇文章对基于深度学习的最新图像上色技术进行了全面调查,将现有的上色技术分类并讨论其性能等重要因素,主要分类包括七个类别,介绍了其基础块体系结构,输入,优化器,损失函数,训练协议和训练数据等方面,然后引入了一种新的颜色上色数据集并利用已有的和新的数据集对现有的图像上色方法进行了广泛的实验评估,最后讨论了现有方法的限制和可能的解决方案以及未来的研究方向。
Aug, 2020
该论文引入了一种新颖的轻量级计算框架,利用先进的机器学习和卷积神经网络 (CNNs) 来增强低光条件下的图像。通过应用 Retinex 理论的见解和图像恢复网络方面的最新进展,我们的方法开发了一个高效处理光照分量并通过优化的卷积块集成上下文敏感增强的简化模型。这大大提高了图像的清晰度和色彩保真度,避免了过度增强和不自然的颜色偏移。关键是,我们的模型被设计成轻量级,确保在标准的消费者硬件上具有低计算需求和实时应用的适用性。性能评估证实,我们的模型不仅在增强低光图像方面超过了现有方法,而且保持了最小的计算占用。
May, 2024