低光频域增强
本文提出了一种新的多层小波卷积神经网络(MWCNN)模型来更好地平衡感受野大小和计算效率,通过引入小波变换来减小收缩子网络中特征映射的大小并降低通道数,再使用反向小波变换来重建高分辨率特征映射,该模型可应用于许多图像修复任务,实验结果表明其有效性。
May, 2018
本文提出了一种多级小波卷积神经网络 (MWCNN) 模型,通过将小波变换嵌入到 CNN 体系结构中,以在减少特征映射分辨率和增加感受野之间实现更好的权衡,以实现图像去噪、单图像超分辨率、JPEG 图像伪影去除和物体分类等任务的有效性。
Jul, 2019
本文提出了一种基于改进的分层模型 M-Net + 的图像增强网络(HWMNet),其中使用半波小波块从小波域丰富特征。该算法在两个图像增强数据集中产生了具有竞争力的性能结果,特别是在使用定量指标和视觉质量方面。
Mar, 2022
通过在频域进行学习和频道选择,我们提出了减少冗余和显著信息以提高图像分类精度的学习方法,得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。
Feb, 2020
本文提出了一种基于关注机制的神经网络方法,通过通道关注和空间关注模块抑制色差和噪点,以及使用倒置洗牌池化层选择有用信息,实现从原始传感器数据生成高质量的低光图像增强,表现优异,特别是在低光条件下存在严重噪声时。
May, 2020
本文提出了一种新的卷积神经网络,叫做 Wavelet 通道注意力模块与融合网络,通过利用小波变换和逆小波变换来恢复图像,结合通道注意力,取得了比现有方法更好的降雨噪声图像去噪效果。
Jul, 2020
我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法,它利用波浪变换加速推理并降低计算资源使用但不损失信息,并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块,利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明,我们的方法在定量和视觉上均优于现有的最先进方法,并且与以前的扩散方法相比,在效率上获得了显着的提高。此外,我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。
Jun, 2023
通过 CLIP-Fourier Guided Wavelet Diffusion 方法的混合频率域空间,我们设计了一个通过小波变换实现有效图像增强的引导网络,能够恢复图像的细粒度结构并避免多样性混淆。经过大量定量和定性实验证明,我们的方法胜过现有的最先进方法,并更好地再现了类似于正常图像的图像。
Jan, 2024
提出了一种用于低光遥感图像增强的双域特征融合网络 (DFFN),通过将振幅信息与相位信息分别学习来实现低光增强任务,同时通过信息融合亲和块在不同阶段和尺度上组合不同的数据,通过广泛的评估,证明该方法优于现有最先进方法。
Apr, 2024
该论文提出 CEMNet,一种可以在频域训练卷积神经网络的方法。利用分频域组将卷积操作替换为逐元素乘法操作,显著降低计算复杂度,并引入一些机制来解决过拟合的问题。
Apr, 2022