Jul, 2023

DRM-IR: 全能图像恢复的任务自适应深度展开网络

PDF
TL;DR该研究提出了一种基于动态参考建模范式的高效 All-In-One 图像复原方法，该方法采用一对相互纠缠的基于参考的最大后验概率推断，实现任务自适应的降噪建模和模型图像还原，同时提供了显式的灵活性和可解释性。
发现论文，激发创造
  • 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

  • 基于任务自适应路由的一体化医学图像恢复

    提出了一种任务自适应路由策略的全能医疗图像恢复网络，实现了状态 - of-the-art 性能在 MRI 超分辨率、CT 降噪和 PET 合成等三个医疗图像恢复任务中。

    May, 2024

  • 动态预训练：高效可扩展的一体化图像恢复

    通过 DyNet 动态网络设计的全能图像恢复任务模型，结合权重共享机制和动态预训练策略，在图像去噪、去雨和去雾等多种任务上取得了最新的成果，同时比基准模型减少 31.34% 的 GFlops 与 56.75% 的参数。

    Apr, 2024

  • 利用扩散先验进行一体化图像恢复

    ZeroAIR 是一种全能图像修复的方法，通过利用预先训练的扩散模型捕捉的图像先验信息，解决了图像降级建模和扩散引导的两个挑战，实现了零操作图像修复。

    Dec, 2023

  • 全能图像恢复的神经退化表示学习

    本研究中，我们提出了一种全能图像恢复网络，能够处理多种退化问题，通过学习神经退化表示 (NDR) 来解决多种退化数据的挑战，进一步结合退化查询模块和退化注入模块，实现了多种退化的全能恢复能力，同时采用双向优化策略来驱动 NDR 学习退化表示，我们的实验证明了该方法的有效性和泛化能力。

    Oct, 2023

  • 灵活图像修复

    在图像修复中，人们常常希望根据指令去除特定的图像退化现象，本文提出了一种名为 TransRFIR 的新型建模方法，它通过感知图像中的不同退化类型并根据文本提示去除特定的退化，该方法基于两个设计的注意力模块，即 MHASA 和 MHACA，具有较低的计算成本和优秀的性能，可以作为图像修复的一种有效架构。

    Apr, 2024

  • 基于稳健 DINO 特征的多任务图像修复

    我们引入 DINO-IR，一种新颖的多任务图像修复方法，利用从 DINOv2 提取的稳健特征，通过使用浅层特征捕捉低级图像特征、深层特征保证鲁棒语义表征且不敏感于退化、并使用专门的组件进行特征集成，包括多层语义融合模块、DINO-Restore 调适与融合模块以及 DINO 感知对比损失，该方法在各种任务上优于现有的多任务图像修复方法，凸显了增强鲁棒特征对于多任务图像修复的优越性和必要性。

    Dec, 2023

  • AdaIR：利用适配器发现图像恢复任务的潜在相似性

    在这项工作中，我们提出了一种名为 AdaIR 的新框架，通过在自我监督预训练中使用合成降解物来构建通用的恢复网络，然后训练特定的适配器来适应特定的降解物，从而实现低存储成本和高效训练，达到多任务恢复的卓越结果。

    Apr, 2024

  • 在野外应用具有控制能力的视觉语言模型进行照片逼真图像修复

    采用强大的视觉语言模型和合成降解管道，通过基于扩散模型和后验采样策略的鲁棒训练，提高图片还原质量并解决特定数据集无法恢复模糊、缩放、噪声和 JPEG 压缩等不同降解方式的问题。

    Apr, 2024

  • 去噪扩散恢复模型

    本文提出了一种基于先前针对噪声扩散的生成模型的方法 DDPM，用于解决各种图像恢复问题，包括超分辨率，去模糊，填补和上色，相比于现有的非监督方法，DDRM 在重构质量，感知质量和运行时均表现出更好的性能。

    Jan, 2022