May, 2023

图像去噪的双残差注意力网络

PDF
TL;DR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。
image denoisingdeep convolutional neural networkdual-branch residual attention networkfeature learningreal-world noise
发现论文，激发创造
  • 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

  • DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

    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。

    Apr, 2023

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 图像超分辨率残差密集网络

    本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

    Feb, 2018

  • 图像去噪的扩张深度残差网络

    本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以 Gaussian 图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。

    Aug, 2017

  • 图像恢复的残差稠密网络

    本文提出了一种新的残差密集网络（RDN），该网络从卷积层中充分利用层级特征，引入残余密集块（RDB）来提取丰富的局部特征，并允许直接连接，通过局部特征融合，以自适应地学习全局的分层特征。用于单张超分辨率、高斯图像去噪、图像压缩伪影去除和图像去模糊等多个任务，RDN 在基准和实际数据集上均取得了优异的性能。

    Dec, 2018

  • 学习使用扩张残差网络去噪合成孔径雷达图像

    本文提出了一种基于深度学习的非线性端到端映射方法 SAR-DRN 来破解传统线性模型在合成孔径雷达（SAR）图像去斑方面的局限性，并通过定量和可视化评估表明所提出的方法在去除强斑点噪声方面具有明显优势。

    Sep, 2017

  • 利用非常深的残差通道注意力网络进行图像超分辨率

    通过使用残差通道注意力网络 (RCAN) 的残差内残差结构 (RIR) 和通道注意力机制，我们可以实现深度图像超分辨率，并在准确度和视觉效果上优于现有方法。

    Jul, 2018

  • DPAFNet: 单图像去雨的双路径注意力融合网络

    基于雨天对成像系统正常运行的重大影响，本文提出了一种双支路注意力融合网络的方法，旨在解决多维图像特征融合的问题，通过引入两个支路的网络结构和注意力融合模块，完成了完备的消融实验和足够的对比实验，证明了该方法的合理性和有效性。

    Jan, 2024