Jul, 2023

DWA：差分小波增强图像超分辨率

PDF
TL;DR本研究介绍了差分小波放大器（DWA），这是一种用于基于小波的图像超分辨率（SR）的即插即用模块。DWA 激发了一种近期受到较少关注的方法，即离散小波变换（DWT）。DWT 为 SR 提供了高效的图像表示方法，并通过 4 倍的空间减小了其输入的整体模型大小和计算成本，使其成为一个有吸引力的可持续机器学习方法。我们提出的 DWA 模型通过利用两个卷积滤波器之间的差异来改进小波 SR 模型，在小波域中改善相关特征提取，强调局部对比度并抑制输入信号中的常见噪声。我们将其集成到现有的 SR 模型（如 DWSR 和 MWCNN）中，并展示了在经典 SR 任务中的明显改进。此外，DWA 还实现了将 DWSR 和 MWCNN 直接应用到输入图像空间，通过逐通道的方式减少了传统 DWT 的表示。
发现论文，激发创造
  • Diffusion-Wavelet 方法进行图像超分辨率的高清晰处理

    本文提出了一种新颖的扩散小波（DiWa）方法，用于单图超分辨率（SISR），能够将去噪扩散概率模型（DDPMs）的优点与离散小波变换（DWT）相结合，实现在小波频谱上为超分辨图像产生高频信息，从而在图像空间中生成高质量、详细的重建。在定量指标上，我们在面部（8 倍放大）和一般（4 倍放大）SR 基准测试中均优于当前最先进的扩散 SISR 方法，即 SR3 和 SRDiff，包括 PSNR、SSIM 和 LPIPS 等方面。同时，使用 DWT 使得我们可以使用比比较的模型更少的参数：92M 参数而不是 550M 参数，与 SR3 相比，9.3M 参数而不是 12M 参数，与 SRDiff 相比。此外，我们的方法在经典的一般 SR 数据集上优于其他最先进的生成方法，同时节省推理时间。最后，我们的工作强调了它在各种应用中的潜力。

    Apr, 2023

  • WaveMixSR: 图像超分辨率的高效资源神经网络

    提出了一种新的神经网络，基于 WaveMix 架构，用于图像超分辨率，不同于基于 transformer 的模型，WaveMixSR 使用离散小波变换进行空间令牌混合，可以在更少的资源和训练数据的情况下实现更高的性能，同时保持较高的参数效率。

    Jul, 2023

  • 基于小波域的图像风格迁移对单张图像超分辨率中的感知失真权衡的有效性

    本文提出了一种基于小波域风格转移的新方法，该方法比基于 GAN 的方法达到了更好的感知质量和畸变之间的平衡，通过使用 2D 小波变换来将图像分解为低频和高频子带，并为低频子带和高频子带分别提供单独的处理，最后将两个子带重新组合以获得同时具有较高客观性和感知性质量的图像。

    Oct, 2019

  • 通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影

    通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。

    Feb, 2024

  • 基于离散小波变换的卷积神经网络的详细密集推断

    该论文提出了一种基于 CNN 编码器 - 解码器结构的 WCNN，并在城市景观数据集上进行了实验，结果表明它能够有效地进行高分辨率密集像素预测并提高准确性。

    Aug, 2018

  • SRWarp: 任意变换下的通用图像超分辨率

    提出了基于 SRWarp 框架的单图超分辨率方法，能够在任意目标分辨率下进行图像变换，通过自适应变形层和多尺度混合等新颖公式，实现灵活和多样化的图像编辑。

    Apr, 2021

  • DISGAN：基于小波引导的鉴别器指导 GAN 进行 MRI 超分辨率重建与噪声清除

    提出了一种名为 Denoising Induced Super-resolution GAN (DISGAN) 的新方法，在 MRI 超分辨率和去噪任务中使用单个深度学习模型同时解决两个任务，通过引入 3D 离散小波变换作为频域约束，该模型在超分辨率图像生成和去噪方面表现出色。

    Aug, 2023

  • SDWNet：一种基于小波变换的长径网络用于图像去模糊

    本研究提出一种使用扩张卷积和小波变换的简化网络结构来解决图像去模糊问题，通过充分利用不同的感受野，使我们的方法在训练要求较低的情况下实现了与现有算法相当的性能。

    Oct, 2021

  • WaveCNet: 集成小波变换的卷积神经网络以抑制混叠效应，实现抗噪图像分类

    该论文提出了一种将小波变换与 CNN 融合的方法，通过 DWT/IDWT 层将特征图分成低频和高频两部分来提高 CNN 对噪声和对抗性攻击的鲁棒性，并在 COCO 检测数据集上不断提高 object detectors 性能的实验结果表明，该方法可以有效提升 CNN 的训练速度和精度。

    Jul, 2021

  • EWT: 单幅图像去噪高效小波变换器

    提出了一种高效的小波变换器 (Efficient Wavelet Transformer，EWT) 方法，使用离散小波变换 (DWT) 和反小波变换 (IWT) 降采样和升采样以实现图像降噪。同时，还提出了一种新颖的双流特征提取块 (DFEB) 来在不同的级别提取图像特征，缩短模型推断时间和 GPU 存储器使用量。实验证明，该方法提高了原始 Transformer 的速度超过 80%，减少了 GPU 存储器使用量超过 60%，并取得了良好的去噪结果。

    Apr, 2023