残差乘性滤波网络用于多尺度重建
通过引入具有解析傅里叶光谱的频限坐标网络(BACON)构架,该研究论文成功演示了用于多尺度神经表示图像、辐射场和三维场景的 BACON 网络在可解释性和质量方面优于传统的单尺度坐标网络。
Dec, 2021
通过使用扩张卷积来保持分辨率,并使用复杂卷积进行实验,我们介绍了一种高效的多尺度重建网络。与常见的重建架构和最先进的多尺度网络相比,该模型在三倍效率更高的情况下表现出色。当具有更多相位信息时,复数网络得到更好的定性结果。
Oct, 2023
使用 Multiscale Low-Frequency Memory (MLFM) 网络框架,通过有效地保存低频信息来提高卷积神经网络的性能。测试结果表明,MLFM 能够显著提高多种 2D CNNs 和语义分割网络在图像分类和图像翻译任务方面的准确性和效率。
Mar, 2024
本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法,其中采用了增强空间上下文信息的核生成模块 (SEKG) 以及动态卷积块 (DCB) 和多尺度动态卷积块 (MDCB)。此外,还提出了多维特征集成 (MFI) 机制,旨在融合多尺度特征,从而提供具有精确性和丰富上下文特征的表征。最终,使用所提出的算法构建的 ADFNet 在真实世界和合成高斯噪声数据集上取得了更好的性能,且具有较低的计算复杂度。
Nov, 2022
提出了一种新颖的基于频域引导的多尺度扩散模型(FDDiff),该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤,使用小波包频域链提供多尺度的中间目标,以逐步补充缺失的高频细节,并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分,通过对流模型在图像超分辨率任务中生成高质量图像,并在广泛的评估中展示了其优于先前的生成方法的结果。
May, 2024
通过通道和空间特征调制,本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络,该网络能够加强高贡献信息和抑制冗余信息,同时通过门控融合节点适应性地融合分层特征,使得模型在图像超分辨率上比现有技术更优秀。
Sep, 2018
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。
Mar, 2022
该研究提出了一种有效的频空间补偿网络 (Frequency-Spatial Complementary Network),通过利用空间和频率域中丰富的语义信息建立了额外的频率支路和频率损失,并提出了一种频率 - 空间跨域注意力块 (Frequency-Spatial Cross-Attention Block) 来融合多域特征和结合对应的特征。通过测试和量化实验,证明了该方法在保留高频细节、语义结构和视觉一致性方面表现优异。
Jul, 2023
从高分辨率图像生成、降低重复模式和结构变形等问题出发,本研究通过引入频域分析的无需训练的创新方法 FouriScale 来解决这些挑战。通过替换预训练扩散模型中的原始卷积层,并结合扩张技术和低通操作,以实现结构一致性与比例一致性。通过填充和裁剪策略对其进行进一步增强,我们的方法能够灵活地处理各种纵横比的文本图像生成。通过 FourScale 的指导,我们的方法成功地平衡了生成图像的结构完整性和保真度,实现了任意大小、高分辨率、高质量的生成,并为未来超高分辨率图像合成的探索提供了有价值的见解。
Mar, 2024