Aug, 2023

特征注意力网络（FA-Net）：基于深度学习的水下单张图像增强方法

PDF
TL;DR提出了一种基于深度学习和特征注意力的端到端网络（FA-Net），用于解决水下图像处理和分析中的低频信息限制问题，其中 Residual Feature Attention Block (RFAB) 结合了通道注意力，像素注意力和残差学习机制，并通过多跳连接跳过低频信息，取得了比现有方法更高的定量和定性精度以及优越性。
underwater image processingdeep learningfeature attentionresidual feature attention blockmarine resources
发现论文，激发创造
  • FFA-Net：用于单幅图像去雾的特征融合注意力网络

    本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像，该结构在关注机制、残差学习和特征融合等多方面进行了改进，最终在单幅图像去雾方面取得了最新的最好结果。

    Nov, 2019

  • Five A + 网络：水下图像增强只需 9K 参数

    本文提出了一种名为 Five A+ Network (FA+Net) 的高效且轻量级的实时的水下图像增强网络，具有很高的计算效率和性能，采用两阶段的增强结构和像素关注模式，能够在多个数据集上实现最先进的性能。

    May, 2023

  • LAA-Net：用于高质量 Deepfakes 检测的局部伪影注意力网络

    介绍了一种名为局部化伪造关注网络（LAA-Net）的用于高质量深度伪造检测的新方法，该方法通过明确的关注机制以及简单有效的升级特征金字塔网络（E-FPN）来提高检测性能。

    Jan, 2024

  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

    May, 2024

  • 基于注意力机制的全卷积网络 ——FocusNet—— 用于医学图像分割

    我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与 U-Net 及其残差变体进行对比，结果表明性能颇具竞争力。

    Feb, 2019

  • FcaNet: 频率通道注意力网络

    该论文提出了在频域进行特征分解以解决通道表示问题的方法，使用多光谱通道注意力机制来实现通道压缩，并在图像分类、物体检测和实例分割任务上取得了优异的效果。

    Dec, 2020

  • 使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界

    提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战，通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间，提供了语义分割的鲁棒解决方案，对于有限的训练数据的多类问题具有推进意义。

    Dec, 2023

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 学习面部超分辨率的空间注意力

    本篇论文介绍了一种基于 SPARNet 和 Face Attention Units（FAU）的空间注意力残差网络（SPARNet），能够在处理低分辨率人脸图像时捕捉到关键面部结构并生成高质量和高分辨率的结果。研究表明，该方法在多种度量标准上的表现优于当前最先进的方法，并能够对合成和真实世界低质量人脸图像进行有效泛化，不需要额外的人工标记数据。

    Dec, 2020