MMJul, 2022

全局 - 局部分步生成网络用于超高分辨率图像恢复

PDF
TL;DR该论文介绍了使用全局 - 局部渐进式生成网络（GLSGN）来恢复超高分辨率图像，该模型利用四个恢复路径（三个局部路径和一个全局路径）进行恢复，其中局部路径聚焦于在局部但高分辨率的图像路径上进行细粒度的图像恢复，而全局路径则在缩小但完整的图像上大范围地进行图像恢复，以提供包括语义和噪声模式在内的全局视图的线索。同时该论文还介绍了第一个用于超高分辨率去反射和去雨纹的数据集，并展示了 GLSGN 在三个典型的背景恢复任务中的卓越性能。
ultra high-resolutionimage restorationglobal-local stepwise generative networklocal pathwaysglobal pathway
发现论文，激发创造
  • 协作全局 - 局部网络的超高分辨率图像内存高效分割

    提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

    May, 2019

  • 本地 - 全局变压器增强展开网络用于全色锐化

    本文报道了一种名为 LGTEUN 的可解释深度学习网络来提高低分辨率多光谱图像。该网络基于迭代算法，并使用 Local-Global Transformer 模块来同时建模局部和全局依赖关系，从而提高图像的分辨率和降噪水平。实验结果表明，LGTEUN 相对于现有的方法具有更高的效果和效率。

    Apr, 2023

  • 基于全局 - 局部信息协同的单图像超分辨率

    提出了一种新颖的超分辨率重建算法，通过独特的设计大幅提升了准确性，同时保持了低复杂度，该算法核心在于巧妙设计的全局 - 局部信息提取模块和基本块模块，通过结合全局和局部信息，实现了对图像内容更全面的理解，准确地恢复了图像的全局结构和局部细节，为后续的重建过程提供了丰富的信息支持。实验结果表明，提出的算法在超分辨率重建领域提供了最佳的综合性能，提供了一种高效实用的新解决方案。

    May, 2024

  • 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

  • 深度遮盖生成网络：一种从叠加图像中恢复背景的统一框架

    提出了一种名为 Deep-Masking Generative Network (DMGN) 的神经网络模型，使用 Residual Deep-Masking Cell 作为核心操作单元，能够通过迭代生成高质量的背景和噪声图像，以及利用生成的噪声图像作为对比线索，显著提高了图像恢复的质量。

    Oct, 2020

  • 深度广义展开网络用于图像修复

    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。

    Apr, 2022

  • 基于高效和显式建模的图像层次结构图像修复方法

    该论文提出了一种用于图像恢复的机制，通过锚定条纹自注意力机制，GRL 网络架构和其他技术能够明确地建模全局、区域和局部范围内的图像层次结构，并在 7 种图像恢复类型中取得了最新的研究成果。

    Mar, 2023

  • 稳健的无监督 StyleGAN 图像修复

    本文提出了一种基于 GAN 的图像去噪、增强方法，引入了 3 个阶段渐进式潜空间扩展和保守优化器，使该方法对于多种不同水平的退化具有鲁棒性，效果比其他基于 StyleGAN 和扩散方法的方法更好。

    Feb, 2023

  • 针对语义引导场景生成的本地类别特定和全局图像级生成对抗网络

    本文提出了一种语义引导场景生成的方法，设计了一个局部类特定的生成网络，配合语义地图和注意力融合模块实现了全局和局部场景细节生成的结合，进而在两个场景图像生成任务上取得了最新的最佳结果。

    Dec, 2019

  • JSI-GAN: 基于 GAN 的联合超分辨率和反色调映射，采用逐像素任务特定滤波器处理 UHD HDR 视频

    本文提出了一种基于生成对抗网络的分组超分辨率和反色调映射联合学习模型，通过精心设计包括图像重建子网、细节恢复子网和局部对比度增强子网等三个任务特定子网，训练一对 1D 可分离细节恢复像素滤波器和一个局部对比度增强 2D 滤波器，以提高本文模型处理 HDR 图像过程中所需的超分辨率和反色调映射性能，实验证明该模型能够比之前的方法提高 0.41 dB 的 PSNR 值。

    Sep, 2019