AAAINov, 2022

自适应动态滤波网络用于图像去噪

PDF
TL;DR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。
发现论文，激发创造
  • MDCN: 多尺度密集交叉网络用于图像超分辨率

    本研究提出了一种新的多尺度稠密交叉网络，采用了逐层特征抽取和渐进上采样的方法，并通过通道适应性校准和动态重建模块来实现多因素超分辨率图像重建的提高。

    Aug, 2020

  • 动态大核与动态特征融合用于三维医学图像分割的 D-Net

    Hierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.

    Mar, 2024

  • 频率自适应扩张卷积用于语义分割

    提出了三种策略来改进分析视角下的空间频率分布，通过频率自适应扩张卷积、自适应核函数和频率选择模块，提高了有效带宽和感知范围，从而有效改善分割和目标检测性能。

    Mar, 2024

  • 解耦动态滤波网络

    提出了一种 Decoupled Dynamic Filter（DDF）卷积方法，可以同时解决标准卷积的两个主要缺点：内容不适配和计算量大。DDF 将深度动态滤波器分解为空间动态滤波器和通道动态滤波器，大大减少了参数数量，并将计算成本限制在与深度卷积相同的水平上。在分类网络中，使用 DDF 替换标准卷积可以显著提高性能，同时其计算成本几乎减半。在检测和联合上采样网络上进行的实验也证明了 DDF-upsampling 变体在比标准卷积和专门的内容自适应层更优秀的性能。

    Apr, 2021

  • 动态组卷积用于加速卷积神经网络

    本文提出一种动态组卷积 (Dynamic Group Convolution, DGC) 方法，它不仅保留了原有网络结构，还能够根据输入图像动态选择连接哪些输入通道，以实现对图像语义特征的自适应提取，有效提高了卷积神经网络的计算效率和图像分类性能。

    Jul, 2020

  • 动态过滤网络

    介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

    May, 2016

  • 用于图像去莫尔纹的多尺度动态特征编码网络

    本文提出了一种基于多尺度卷积网络和动态特征编码的数字传感器图像去莫尔算法，可以同时处理不同频带的莫尔，且效果超过现有技术。

    Sep, 2019

  • 动态 U-Net: 面向腹部多器官分割的自适应特征校准

    动态 U-Net 是一种改进的网络架构，通过引入动态校准卷积、动态校准下采样和动态校准上采样模块，解决了 U-Net 在多器官分割任务中存在的一些限制，并在两个腹部多器官分割基准任务中取得了显著的分割精度提升。

    Mar, 2024

  • 使用双卷积神经网络与跳跃连接进行图像盲去噪

    本文介绍了一种名为 DCBDNet 的新型卷积神经网络，该网络通过跳跃连接实现了在模型复杂性和降噪效果之间的理想平衡。实验证明，该网络可以在多个合成和现实世界的图像去噪基准数据集上实现有效的高斯噪声去除，在模型结构简单的情况下可以获得与含复杂结构的最先进去噪模型相当的去噪性能。

    Apr, 2023

  • 相互指导的动态网络图像融合

    我们提出了一种新颖的相互引导动态网络（MGDN）用于图像融合，该网络允许有效地利用来自不同位置和输入的信息。实验结果表明，我们提出的方法在四种图像融合任务上优于现有方法。

    Aug, 2023