走向无莫尔条纹和保留细节的去马赛克化
本文提出了一种新的深度学习架构,应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比,该网络需要较少的可训练参数,具有更为透明和清晰的解释能力,在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。
Mar, 2018
本文提出了一种优于当前最先进方法的图像去马赛克和降噪算法,该算法将传统的 CFA 处理流程中的处理顺序颠倒,首先进行图像去马赛克,然后进行降噪,避免了传统方法中的众多问题。算法利用卷积神经网络进行实现并具有处理高噪声的能力。
Sep, 2020
使用我们最近提出的 “Shape” 概念,本文研究了光电显示器光学成像产生的非期望 Moire 图案,并提出了 ShapeMoiré 方法来辅助图像去 Moire 处理,通过在局部和全局图像级别建模形状特征,设计了一个新颖的 Shape-Architecture,实现了与现有方法的无缝集成,并在四个常用数据集上进行了实验,结果表明,ShapeMoiré 在 PSNR 指标方面达到了最先进水平,同时也在涉及智能手机摄影的实际去 Moire 场景中展现了其强大的鲁棒性与可行性。
Apr, 2024
本文提出了利用卷积神经网络(CNN)解决去马赛克问题的全面研究,包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效,可用于任何 CFA 设计的去马赛克,并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。
Feb, 2018
本文提出了一种新型的多分辨率完全卷积网络,用于自动从照片中去除莫尔纹,该网络对输入图像进行非线性多分辨率分析,计算如何在每个频带内消除莫尔纹,该网络在 $100,000^+$ 个图像对的大规模基准数据集上实现了最先进的效果,相对于现有的图像恢复问题的学习架构。
May, 2018
通过利用原始颜色分离特征分支和空间调制,以及构建了第一个对齐良好的原始视频去莫尔(RawVDemoiré)数据集,本研究提出了一种专门针对原始输入的图像和视频去莫尔网络,并且在去莫尔图像和视频方面取得了最先进的性能。
Oct, 2023
本文提出了一种基于深度学习的无监督谱色去马赛克技术,该技术通过使用谱分系统的性质,提出了一个马赛克损失函数,配以相应的模型结构、变换策略和早期停止策略,形成一个完整的无监督谱色去马赛克框架,并在合成和实际数据集上展示了其优越性。另外,作者还发布了一个用于基准测试的真实 25 波段高光谱马赛克图像数据集 Mosaic25。
Jul, 2023
该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法,通过感知优化保证恢复图像的视觉质量,其结果在客观和主观质量指标上表现出优于现有先进技术的结果,且有可比性的计算成本。
Feb, 2018
本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克,而不需要真实 RGB 数据的方法,并应用于从 RAW 图像中学习联合去马赛克和去噪的技术,进一步证明 Fine-Tuning 带来的优势。
May, 2019
透过针对不同频带的动态材质和动态纹理的莫尔纹理的变化,提出了一种新型轻量级构架,称为 AADNet(注意力感知莫尔纹去除网络),用于高分辨率图像的莫尔纹去除。广泛的实验证实了我们的方法的有效性,并产生了高保真的图像。
Mar, 2024