Apr, 2023

DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

PDF
TL;DR本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。
image denoisingdeep neural networksattention mechanismnoise estimationdcanet
发现论文，激发创造
  • 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

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 基于卷积和注意力网络的高光谱图像去噪

    提出了一种混合卷积和注意力网络（HCANet），通过同时建模全局和局部特征，利用卷积神经网络（CNN）和 Transformer 的优势，设计了卷积和注意力融合模块来捕捉长距离依赖和邻域光谱相关性，以及设计了多尺度前向网络来提取不同尺度的特征，从而提高多尺度信息聚合的性能，实验结果表明了 HCANet 模型的合理性和有效性。

    Mar, 2024

  • 面向真实照片的卷积盲降噪

    该研究提出了使用真实噪声模型和真实的噪声 - 清晰图像对训练卷积盲去噪网络 (CBDNet) 来提高深度卷积神经网络去噪模型的泛化能力，并嵌入了噪声估计子网络，以提供一种交互式策略来纠正去噪结果，实验结果显示 CBDNet 在实际噪声照片的三个数据集上表现优异。

    Jul, 2018

  • CDAN：用于低光图像增强的卷积稠密注意力引导网络

    该研究论文介绍了 Convolutional Dense Attention-guided Network (CDAN) 的工作原理和应用，在低光照条件下通过图像增强技术改善了图片的亮度、对比度和整体感知质量，并证明了其在计算机视觉任务中具有潜力，尤其在低光照条件下实现了稳健的目标检测和识别。

    Aug, 2023

  • 图像去噪的两阶段渐进式残差稠密注意力网络

    设计了一种新的两阶段渐进残差密集注意力网络（TSP-RDANet）进行图像去噪，通过两个子任务逐步去除噪声，其中使用残差密集注意力模块（RDAM）和混合扩张残差密集注意力模块（HDRDAM）来设计两个基于注意力机制的去噪网络，以增强去噪效果。实验证实，与众多最新方法相比，所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。

    Jan, 2024

  • 基于特征注意力机制的真实图像去噪

    本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

    Apr, 2019

  • 基于实体感知的双重注意力网络用于假新闻检测

    本文介绍了一种名为 Dual Co-Attention Network（Dual-CAN）的方法用于检测假新闻，其考虑了新闻内容、社交媒体回复和外部知识，实验结果表明该方法比当前代表性模型在两个基准数据集上表现更好，并通过关注权重的实证分析来比较两个数据集上的模型工作。

    Feb, 2023

  • 设计和训练一种用于图像去噪的双卷积神经网络

    本文介绍了一种名为 DudeNet 的基于深度卷积神经网络 (DCNNs) 的图像去噪算法，其通过全局特征提取、局部特征提取以及两者融合的方式实现图像去噪，达到了优于同类算法的效果。

    Jul, 2020

  • DCAN: 双通道对齐网络 用于无监督场景自适应

    通过使用统计学的方法，构建了一个称为 DCAN 的轻型语义分割神经网络模型，为了降低深度学习模型在像素和特征级别上的模态差异，在生成器和分割网络上都实现了通道特征对齐，这就使得模型可以通过预测新颖真实数据的语义分割图，从而使得神经网络训练效果得到了极大提升。

    Apr, 2018