Aug, 2023

Devignet: 基于双聚合融合变压器和自适应通道扩展的高分辨率暗角消除

PDF
TL;DR通过开发 Vigset 数据集和引入 DeVigNet 模型，本文提出了一种能够有效消除不规则光晕的算法，通过处理低频和高频域特征来改善图像细节和色彩准确性，并证明其性能超过现有的最优方法。
发现论文，激发创造
  • AVA: 视觉识别的对抗性暗角攻击

    本文研究了采用对抗攻击中的晕影来嵌入有意误导信息，制造自然的对抗样本，并通过物理模型下的径向各向同性和径向异向性嵌入有效的晕影区域，达到更高迁移性和更好的图像质量，攻击 4 种不同的卷积神经网络。

    May, 2021

  • 单幅图像除雾的视觉 Transformer

    本文提出了 DehazeFormer，一种用于图像去雾的改进模型，比传统模型具有更好的效果。模型在多个数据集上进行了实验，表明 DehazeFormer 比当前最先进的方法表现更好。此外，我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。

    Apr, 2022

  • 有上下文感知的 Transformer 技术的无鬼影高动态范围成像

    本研究提出一种双分支的 CA-ViT 方法，通过全局支路来捕捉拍摄对象的长距离移动和渐变，局部支路使用通道注意力机制来捕捉具有信息意义的局部细节，从而实现生成真实细节的无幽灵高动态范围成像。实验结果表明，该方法在质量和计算成本上均优于最先进的方法。

    Aug, 2022

  • 使用增强视觉 Transformer 进行图像重建

    本文提出了一个基于 Vision Transformer (ViT) 的图像重构框架，利用 4 种优化技术和生成对抗网络（GANs）启发的对抗性损失函数，用于图像去噪和修复，实验表明该框架在结构相似性（SSIM）方面比 U-Net 模型高出超过 3.5％，对于这两个任务，提议的增强算法进一步展示了超过基准的 extasciitilde5％SSIM 的改进。

    Jul, 2023

  • 通过双重分层聚合网络和阴影抠图 GAN 实现无幽灵阴影去除

    本文介绍了通过使用名为 DHAN 和 SMGAN 的网络结构来解决阴影区域颜色不一致和边界失真的问题，以提高场景理解的能力。

    Nov, 2019

  • DHFormer：基于视觉 Transformer 的图像去雾注意力模块

    提出了一种使用残差学习和视觉转换器的注意模块的方法，首先估计残差图像，然后通过卷积层和全局上下文转换器编码器获取通道注意力，最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。

    Dec, 2023

  • 双视觉变压器

    本文提出了名为 Dual Vision Transformer (Dual-ViT) 的新型 Transformer 结构，在保持准确度的前提下，通过综合运用语义路径和像素路径，将全局语义压缩成更高效的先验信息，进而实现了减少计算复杂度的目的，并在实验中表现出比 SOTA Transformer 结构更高的准确度。

    Jul, 2022

  • 利用 Shadow Transformer 进行多视角检测（及视角一致的数据增强）

    本文介绍了一种新型的多视图检测器，MVDeTr，并使用新的视觉一致性的数据增强方法，以及采用阴影变换技术来聚合多视图信息，提取目标特征，超过了现有最佳方法，能更准确地进行多视图检测。

    Aug, 2021

  • 基于上下文感知变换器的高动态范围成像

    提出了一种基于 CNN 和 Dual Transformer 的 hierarchical dual Transformer 方法（HDT-HDR）进行去除 LDR 图像中 ghosts 的 HDR 图像生成方法，该方法能够同时提取全局特征和局部特征，进行了大量实验验证其效果优于现有的 HDR ghost removal 方法。

    Apr, 2023

  • 去噪视觉变换器

    我们提出了一种噪声模型和去噪方法来解决 Vision Transformers 中存在的网格伪影问题，该方法能有效改善模型在语义和几何任务中的性能。

    Jan, 2024