DRM-IR: 全能图像恢复的任务自适应深度展开网络
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
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
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
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
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
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
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
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
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