CVPRMar, 2023

基于因果视角的学习失真不变表示用于图像恢复

PDF
TL;DR本文提出的 Distortion Invariant representation Learning（DIL）的训练策略，从因果关系的角度出发，将每种图像失真类型和程度视为一种特定的混淆因素，并通过消除每个失真的有害混淆效应来学习失真不变表示，从而提高 DNN 对未知失真的泛化能力。
deep neural networksimage restorationgeneralizationdistortion invariant representation learningcausality
发现论文，激发创造
  • 面向深度图像恢复的按需学习

    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

  • 学习不变表示以实现无监督图像恢复

    该研究论文提出了一种无监督学习方法，它通过显式地从噪声数据中学习不变展示来重建清晰图像，并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当，同时比其他领域适应方法具有更快和更稳定的收敛性。

    Mar, 2020

  • LIRA：未知混合扭曲的终身图像恢复

    该研究致力于解决当前图像修复网络存在的问题，提供了一种基于生命技术的新颖方法，即利用神经 “生长” 策略，使之前训练的模型可以不断吸收新知识而不会遗忘旧有专业知识，该方法在处理协同模式下的混合失真图像上能够取得出色的成果。

    Aug, 2020

  • 变形不变神经网络及其在扭曲图像恢复和分析中的应用

    提出了一种应对图像在几何失真时的成像任务的框架 —— 变形不变神经网络（DINN），该框架利用拟保角变换器网络（QCTN）将几何失真的图像转换为更接近自然或良好图像分布的改进版本，并在图像分类和图像恢复中取得了较好的性能。

    Oct, 2023

  • 全能图像恢复的神经退化表示学习

    本研究中，我们提出了一种全能图像恢复网络，能够处理多种退化问题，通过学习神经退化表示 (NDR) 来解决多种退化数据的挑战，进一步结合退化查询模块和退化注入模块，实现了多种退化的全能恢复能力，同时采用双向优化策略来驱动 NDR 学习退化表示，我们的实验证明了该方法的有效性和泛化能力。

    Oct, 2023

  • 使用深度卷积神经网络对失真图像进行分类

    本文系统研究图像失真对深度神经网络分类器的影响，提出了重训练与加噪音微调两种方法，结果表明在特定条件下，加噪音微调可以有效减轻图像失真对分类器的影响，并且比重新训练更为实用。

    Jan, 2017

  • 一种全方位的多降级图像恢复网络基于层次化降级表示

    我们提出了一种全能多退化图像恢复网络 (AMIRNet)，通过聚类逐步构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块 (FTB) 弥补领域差异，从而实现从各种未知失真中恢复高质量图像的目标。

    Aug, 2023

  • 学习频率感知的动态变换器用于一体化图像恢复

    该研究提出了一种全方位图像恢复方法，通过从频率角度出发，利用先进的视觉变换器来处理多种类型的退化，以提取图像的退化表示并引导模型适应性地恢复退化的图像。实验证明，该方法在去噪、去雨、去雾和去模糊等四个典型恢复任务中优于现有方法，并且能够处理空间变异的退化和未知退化水平。

    Jun, 2024

  • 基于注意力的自适应操作选择，用于在未知混合失真情况下的图像恢复

    本文提出了一种简单而有效的神经网络层结构，其可以并行执行多个操作并通过注意力机制进行加权，以选择适当的操作来应对多种组合失真。实验结果表明，该方法比以前的方法在恢复具有多个组合失真的图像方面更为有效。

    Dec, 2018

  • DeepCorrect: 对抗图像扭曲的深度神经网络模型校正

    本文提出了一种称为 DeepCorrect 的方法，通过对权值进行微调，修正深度神经网络中感受野受损图像变形的问题，该方法显著提高了网络的鲁棒性和性能。

    May, 2017