MMAug, 2023

一种全方位的多降级图像恢复网络基于层次化降级表示

PDF
TL;DR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。
image restorationmulti-degradationall-in-one methoddegradation representationfeature transform block
发现论文，激发创造
  • 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

  • DRM-IR: 全能图像恢复的任务自适应深度展开网络

    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。

    Jul, 2023

  • 学习图像去模糊的退化表示

    本文提出了一种多尺度退化注入网络 (MSDI-Net) 的框架，以学习模糊图像的空间自适应退化表示，并将其集成到神经网络中，用于实现图像去模糊。在 GoPro 和 RealBlur 数据集上的实验证明，该方法优于现有的最先进方法和具有吸引力的改进。

    Aug, 2022

  • AdaIR：基于频率挖掘和调制的自适应综合图像恢复

    通过频域挖掘和调制，我们提出了一种自适应的全功能图像恢复网络，该网络能够根据不同的输入降解类型强调信息丰富的频带，从而实现逐步引导的恢复。广泛的实验证明，该方法在去噪、去雾、去雨、运动去模糊和低光图像增强等不同图像恢复任务上实现了最先进的性能。

    Mar, 2024

  • 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

  • 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

  • 学习分离特征表达式进行混合失真图像修复

    本文提出了一种基于分解特征学习的混合扭曲图像恢复方法，即利用特征分离及特征聚合模块，实现了不同混合扭曲的特征级分而治之，并在实验证实了该方法的有效性。

    Jul, 2020

  • 一种山形单级网络用于精确图像恢复

    通过创新性的 U-Net 架构设计，提出一个称为 M3SNet 的图像恢复系统，通过特征融合中间件和多头注意力中间块，达到保留空间细节，集成上下文信息，并使用不到一半的计算成本，超过了先前的最优模型。

    May, 2023

  • 高效的考虑降质的图像修复

    提出了一种高效的全能图像修复器 DaAIR，使用低秩模型 DaLe 来协同挖掘不同退化中共享的特征和细微差别，生成具有退化感知的嵌入，实现了全面和特定学习的统一模型。通过动态分配模型容量给输入的退化，达到了高效的修复效果。与现有的全能模型和特定退化模型相比，展示了优异的性能和实用性。

    May, 2024

  • 基于 CNN 和 Transformer 的全功能图像修复

    本研究提出了一种基于数据要素导向的方法，通过利用基于提示的学习来实现单模型高效处理多种图像退化任务，结合卷积神经网络和 Transformer 模块的属性对高质量图像修复进行建模，并引入特征融合机制来改善聚合特征，所得到的 CAPTNet 架构能够处理不同类型的退化情况，在大量实验证明与专门的算法相比具有竞争性的表现。

    Sep, 2023