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
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
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
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
通过创新性的 U-Net 架构设计,提出一个称为 M3SNet 的图像恢复系统,通过特征融合中间件和多头注意力中间块,达到保留空间细节,集成上下文信息,并使用不到一半的计算成本,超过了先前的最优模型。
May, 2023
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
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。
Apr, 2023
本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建,并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明,该模型能够高效生成清晰的超分辨图像。
Jul, 2018
提出了一种基于交替迭代的收缩阈值的多尺度广义收缩阈值网络 (MGSTNet) 的学习框架用于改善遥感图像模糊问题,该框架在遥感图像数据集上的实验结果显示其优越性。
Sep, 2023
本研究研究了多尺度和多时间尺度方法,提出一种新的 MT-RNNs 方法,用于逐步恢复非均匀模糊单幅图像。MT 方法在 GoPro 数据集上的表现优于现有的 MS 方法,且具有更少的参数。
Nov, 2019
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