CVPRApr, 2023

Burstormer: 爆发图像修复和增强变压器

PDF
TL;DR提出了一种名为 Burstormer 的新型基于 transformer 的框架，用于爆发图像的恢复和增强。本文采用多尺度局部和非局部特征来实现改进的对齐和特征融合，通过新的变形对齐模块和循环采样模块对连续帧信息进行整合和聚合，并利用爆发特征融合模块进行逐步上采样。Burstormer 在爆发超分辨率、去噪和低光增强方面表现优异。
burst image restorationalignmenttransformer-based architecturefeature fusionburst feature aggregation
发现论文，激发创造
  • 突发图像修复与增强

    该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。

    Oct, 2021

  • BSRT：利用 Swin Transformer 和流导向可变形对齐来提高爆发超分辨率

    提出了一种基于 Transformer、金字塔流引导可变卷积网络和 Swin Transformer 块的 BurstSR 体系结构，可有效地从一系列嘈杂、不对齐和低分辨率 RAW 爆发中恢复高质量图像，并在 NTIRE2022 Burst Super-Resolution Challenge 中取得了新的最佳效果。

    Apr, 2022

  • 深度爆发超分辨率

    本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

    Jan, 2021

  • 迭代残差 CNN 在连拍摄影应用中的应用

    本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

    Nov, 2018

  • 基于门控的多分辨率传输网络用于爆发式图像修复和增强

    本文介绍一种名为 GMTNet 的神经网络，它可以解决在一系列低质量的 burst 图像中的众多问题，包括通过多层次特征对齐和融合来生成高精度图像以及进行高质量的上采样。

    Apr, 2023

  • Restormer: 高分辨率图像修复的高效 Transformer 模型

    本文提出了一种名为 Restoration Transformer 的有效 Transformers 模型，通过几个关键设计，使其能够捕捉长距离像素交互，同时仍适用于大图像，在图像去噪、去模糊和降雨方面达到了最先进的效果。

    Nov, 2021

  • 学习增强极暗图像的暴发摄影

    本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

    Jun, 2020

  • CANDID: 深度爆发图像去噪的对应校准

    本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

    Jun, 2023

  • RBSR: 高效灵活的爆发超分辨率循环网络

    本文提出了一种逐帧融合的、高效灵活的循环网络，以底帧为关键提示，并引入隐式加权损失，用于促进从具有可变数量的输入帧中获取知识，以实现从序列低分辨率和噪声图像重建高分辨率图像的目标。我们在合成和真实数据集上进行了广泛实验，结果表明，我们的方法优于当前最先进的方法。

    Jun, 2023

  • 走向实际应用的爆发图像超分辨率：基准和方法

    本文介绍了一个新的大规模真实场景爆破超分辨率数据集 RealBSR 以及一种名为 FBAnet 的联邦爆破亲和网络，用于从多个帧中恢复图像细节，并通过基于 Transformer 的模块进行爆破表示解码。实验结果表明，FBAnet 优于现有的最先进的爆破超分辨率方法，并且在模型细节上实现了视觉上令人愉悦的超分辨率图像预测。

    Sep, 2023