May, 2023

RFR-WWANet: 基于加权窗口注意力的恢复特征分辨率网络用于无监督图像配准

PDF
TL;DR提出了一种名为 RFR-WWANet 的无监督可形变图像配准模型，使用了 RFRNet 和 WWA 设计以优化 Swin transformer，实现更精细的空间信息建模和语义关联，取得了明显的性能优势。
swin transformermedical image analysiscomputational efficiencysemantic correspondencesdeformable image registration
发现论文，激发创造
  • 基于增强的 Swin Transformer 及本地 - 全局特征的交替聚合的图像超分辨重建网络

    本论文通过交替聚合局部全局特征，引入了位移卷积实现局部空间信息和通道信息的交互，并提出了块稀疏全局感知模块以进一步实现空间和通道信息的交互。同时，引入了多尺度自注意模块和低参数残差通道注意模块，实现了不同尺度上的信息聚合。在五个公开数据集上验证了提出的网络，在超分辨率方面超过了其他最先进的网络。

    Dec, 2023

  • SwinFIR：通过快速傅里叶卷积和改进的训练重新审视 SwinIR 并用于图像超分辨率

    本文介绍了一种基于 Transformer 的方法，用于图像恢复，提出了一种名为 SwinFIR 的扩展方法，旨在提高捕捉全局信息的效率，同时改进了数据增强、预训练、特征集成等高级技术，使模型的性能得到显着提高，并在多个大型基准测试上取得了最先进的性能。

    Aug, 2022

  • 特征交互加权混合网络实现高效图像超分辨率

    本文介绍了一种用于单张图像超分辨率重建的神经网络模型 FIWHN，通过将 WDIB 组成 FSWG、WCRW 和 WIRW 单元、WRDC 框架和 SCF 单元等方式，解决了模型复杂度高、中间特征丢失等问题，并引入了 Transformer，实现了 CNN 和 Transformer 的新型组合，结果表明 FIWHN 能够在性能和效率之间取得良好的平衡，更有利于下游任务解决低像素场景中的问题。

    Dec, 2022

  • 特征调制变换器：通过高频先验交叉精炼全局表示用于图像超分辨率

    我们研究了基于 transformer 的单图像超分辨率方法，并发现 transformer 结构在捕捉低频信息方面更加擅长，但相较于卷积模型在构建高频表示方面容量有限。我们提出的 CRAFT 方法综合了卷积和 transformer 结构的优势，在多个数据集上实验结果表明，CRAFT 方法在参数更少的情况下比当前最先进的方法提高了 0.29dB。

    Aug, 2023

  • 基于距离加权的 Transformer 网络用于图像补全

    本文提出了一种新的架构，利用基于距离加权变换器的方法 (DWT) 来更好地理解图像组成部分之间的关系，并结合卷积神经网络 (CNNs) 和 DWT 块的优势来增强图像完成过程，通过编码全局依赖并计算基于距离加权的特征图，有效减少了视觉的歧义问题。同时，引入了残差快速傅里叶卷积 (Res-FFC) 块来结合编码器的跳跃特征与生成器提供的粗糙特征，进一步改进了对重复纹理的生成，同时还提出了一种简单有效的技术来归一化卷积的非零值，并通过细调网络层来规范梯度范数，提供了一个高效的训练稳定器。通过在三个具有挑战性的数据集上进行广泛的定量和定性实验，证明了我们提出的模型相比现有方法的优越性。

    Oct, 2023

  • 因式分解视觉转换器：通过局部窗口成本建模远距依赖

    我们提出了一种新颖的分解自我注意力机制 (FaSA)，它具有本地窗口的计算成本和远程依赖建模能力。利用 FaSA，我们提出了层次结构的分解视觉 Transformer (FaViT)，它在输入图像空间分辨率方面具有线性计算复杂性，并在分类和下游任务中表现出卓越性能。与基准模型 Swin-T 相比，我们的 FaViT-B2 在分类精度上提高了 1％，在鲁棒性上提高了 7％，同时减少了 14％的模型参数。

    Dec, 2023

  • 用于轻量级图像超分辨的特征蒸馏交互加权网络

    本文介绍了一种轻量级、高效的特征蒸馏相互加权网络（FDIWN），其利用一系列经过特殊设计的特征洗牌加权组（FSWG）作为骨架，多个新颖的 Wide-residual Distillation Interaction Blocks（WDIB）组成 FSWG。通过引入 Wide Identical Residual Weighting（WIRW）单元和 Wide Convolutional Residual Weighting（WCRW）单元来实现更好的特征蒸馏。此外，提出了 Wide-Residual Distillation Connection（WRDC）框架和 Self-Calibration Fusion（SCF）单元，以更灵活、更高效地相互作用不同尺度的特征。大量实验证明，相较于其他模型，FDIWN 在模型性能与效率之间取得了良好的平衡。

    Dec, 2021

  • 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用

    本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。

    Apr, 2024

  • SwinFSR: 使用 SwinIR 和频域知识的立体图像超分辨率

    通过使用 Fast Fourier Convolution 和 Residual Swin Transformer 改进的方法和新的 cross-attention 模块，我们提出了一种名为 SwinFSR 的 Stereo Image Super-Resolution 方法，并且实验结果表明了该方法的有效性和高效性。

    Apr, 2023

  • CFAT：释放三角窗口的图像超分辨率

    图像超分辨率的领域中，我们提出了一个名为 CFAT 的模型，它结合了三角 - 矩形窗口和基于通道的全局注意力技术，能够激活更多的图像像素的注意机制，并捕捉长距离、多尺度特征以提高超分辨率性能。我们的实验证明了 CFAT 在 SR 领域的有效性，其相较于其他最新的 SR 架构有显著的 0.7 个分贝的性能提升。

    Mar, 2024