提出了一种使用 Deep Image Prior 方法重建受损图片,不需要预先训练网络或者照片数据库,比传统的单图片方法表现更好。
Apr, 2020
本文提出了一种简单而有效的神经网络层结构,其可以并行执行多个操作并通过注意力机制进行加权,以选择适当的操作来应对多种组合失真。实验结果表明,该方法比以前的方法在恢复具有多个组合失真的图像方面更为有效。
Dec, 2018
本文提出了一种基于补偿放射变形的图像复原方法 SPAIR,该方法结合了损失定位信息和恰当的稀疏卷积,实现了对多种不同空间退化模型的适用,并且在多项实验中均取得了良好的表现。
Aug, 2021
本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法,旨在避免 “固定” 模型对于固定难度级别的训练。实验表明,在四个图像修复任务上,本算法均优于传统训练和课程学习替代方案。
Dec, 2016
本文提出了一种无监督单图像去模糊方法,基于解缠表示学习,使用内容编码器和模糊编码器来分离模糊图像中的内容和模糊特征,并通过 KL 散度损失函数来规范提取的模糊属性的分布范围,同时添加模糊分支和循环一致性损失来处理不成对的训练数据,生成视觉逼真的图像;并基于合成数据集和真实图像进行了广泛实验,得到了优于最新的去模糊方法的结果。
Mar, 2019
本文证明了图像修复算法中失真度 (Distortion) 和感知质量 (perceptual quality) 是对立的,并研究了正确判别图像修复算法输出与真实图像之间的最优概率,此概率需随均值失真程度的降低而逐渐增加,GAN 提供了超越感知失真界限的原则方法。作者提出了一种新的评估算法质量的方法,并使用该方法对最近的超分辨率算法进行了广泛比较。
Nov, 2017
该研究致力于解决当前图像修复网络存在的问题,提供了一种基于生命技术的新颖方法,即利用神经 “生长” 策略,使之前训练的模型可以不断吸收新知识而不会遗忘旧有专业知识,该方法在处理协同模式下的混合失真图像上能够取得出色的成果。
Aug, 2020
该研究论文提出了一种无监督学习方法,它通过显式地从噪声数据中学习不变展示来重建清晰图像,并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当,同时比其他领域适应方法具有更快和更稳定的收敛性。
Mar, 2020
本文提出了一种新的神经网络架构 DparNet,通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化,该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效,模型参数数量和计算复杂度均较小。
May, 2023
本文提出了基于深度学习的方法,利用蒙特卡罗实验退出的认知不确定性来恢复大气湍流影响下的退化单张图像,并利用估计的不确定性图来指导网络获取恢复图像。
Jul, 2022