May, 2023

一种山形单级网络用于精确图像恢复

PDF
TL;DR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。
image restorationu-netfeature fusion middlewaremulti-head attention middle blockm3snet
发现论文，激发创造
  • 多阶段渐进式图像修复

    该研究提出了一种名为 MPRNet 的多阶段架构，使用编码器 - 解码器架构学习上下文信息和高分辨率分支，结合像素自适应设计重新加权本地特征，从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡，该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。

    Feb, 2021

  • 高效准确的多尺度拓扑网络用于单幅图像去雾

    本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

    Feb, 2021

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019

  • MSSNet：用于单幅图像去模糊的多尺度级联网络

    本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

    Feb, 2022

  • Restorer: 使用一组参数解决多个图像恢复任务

    通过 Transformer 网络 Restorer，我们设计了一种综合有效的解决方案，能够在去雨、去雪、去雾、去模糊等多种图像修复任务中展现国际领先或可比较的性能，并且在推理时速度更快。

    Jun, 2024

  • 一种全方位的多降级图像恢复网络基于层次化降级表示

    我们提出了一种全能多退化图像恢复网络 (AMIRNet)，通过聚类逐步构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块 (FTB) 弥补领域差异，从而实现从各种未知失真中恢复高质量图像的目标。

    Aug, 2023

  • 用于真实图片降噪的选择性残差 M-Net

    本文介绍了一种基于 U-Net 模型结构并采用选择性核和残差块来实现多尺度语义信息丰富的盲实际图像降噪网络（SRMNet），在两个合成和两个真实噪声数据集上具有竞争性的性能结果。

    Mar, 2022

  • 单幅图像去雾的 U 型视觉猛蛇

    提出了一种名为 UVM-Net 的高效单图像去雾网络，结合了 Transformer 和 State Space Sequence Models (SSMs) 的能力，能够更有效地建模长距离依赖关系，并在图像去雾和其他图像恢复任务中取得了良好的效果。

    Feb, 2024

  • 强调有效图像恢复的关键特征

    本研究提出了一种高效有效的框架，用于适应不同区域间存在的不同程度退化的图像恢复，并且在合成和真实数据集上优于目前的最先进方法。

    May, 2024

  • TSNet: 图像去雾的两阶段网络，结合多尺度融合与自适应学习

    该研究提出了一种名为 TSNet 的两阶段图像去雾网络，主要由多尺度融合模块（MSFM）和自适应学习模块（ALM）组成，通过增强泛化性能和恢复纹理细节来实现更好的去雾效果。实验证明，相较于之前的方法，TSNet 在合成和真实数据集上表现出卓越的性能。

    Apr, 2024