Sep, 2023

DEFormer：低光图像和暗视觉的 DCT 驱动增强 Transformer

PDF
TL;DR该研究论文介绍了一种利用频域作为图像增强的新方法，提出了一种新颖的基于 DCT 的增强转换器（DEFormer），其中包括可学习的频率支路（LFB）和交叉域融合（CDF），并将其应用于暗部检测，使检测器的性能显著提升。
low-light image enhancementfrequencydct-driven enhancement transformerlearnable frequency branchdeformer
发现论文，激发创造
  • 学习频率感知的动态变换器用于一体化图像恢复

    该研究提出了一种全方位图像恢复方法，通过从频率角度出发，利用先进的视觉变换器来处理多种类型的退化，以提取图像的退化表示并引导模型适应性地恢复退化的图像。实验证明，该方法在去噪、去雨、去雾和去模糊等四个典型恢复任务中优于现有方法，并且能够处理空间变异的退化和未知退化水平。

    Jun, 2024

  • 基于空域频域相互作用的双通路耦合图像去雨网络

    我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过空间特征提取块（SFEBlock）和频率特征提取块（FFEBlock）在空间和频率域中整合信息，并引入了一种有效的自适应融合模块（AFM）来进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了大量实验证明，不仅超越了现有的最先进去雨方法，而且在下游视觉任务中具有出色的鲁棒性和视觉效果。

    Feb, 2024

  • 基于多金字塔变换器和对比学习的显微镜观察模糊去卷积的统一框架

    通过多金字塔变换器（MPT）和扩展频率对比规则化（EFCR）的统一框架，解决了显微镜去模糊中的两个突出问题：更长的注意跨度和特征不足。该框架实现了多个数据集上的最新性能，并通过下游任务验证验证了其优越性能。

    Mar, 2024

  • 混合卷积神经网络 - Transformer 结构上使用频域对比学习进行图像去雨

    图像去雨是一项具有挑战性的任务，涉及恢复受雨滴影响的退化图像。

    Aug, 2023

  • 低光遥感图像增强的空域频率二重域特征融合网络

    提出了一种用于低光遥感图像增强的双域特征融合网络 (DFFN)，通过将振幅信息与相位信息分别学习来实现低光增强任务，同时通过信息融合亲和块在不同阶段和尺度上组合不同的数据，通过广泛的评估，证明该方法优于现有最先进方法。

    Apr, 2024

  • 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

  • FDCE-Net：嵌入频域和双色编码的水下图像增强

    我们提出了一种嵌入频域和双色编码器网络（FDCE-Net），通过利用频率空间残差块（FSRB）将水下图像的降解因素在频域中解耦并分别增强不同属性，同时引入双色编码器（DCE）以解决颜色偏移问题，并通过融合网络结合 FS-Net 和 DCE 的输出生成细节丰富、纹理清晰、噪声低和自然色彩的最终增强图像。

    Apr, 2024

  • DFormer: 拓扑扩散引导的 Transformer 用于通用图像分割

    本文介绍了一种名为 DFormer 的方法，用于实现全局图像分割，该方法将全局图像分割任务视为使用扩散模型的降噪过程，在地面真实掩模上添加各个层次的高斯噪声，然后学习模型从损坏掩模中预测降噪掩模，最后使用基于扩散的解码器逐渐执行掩模预测，并直接从一组随机生成的蒙版中预测掩模和相应类别。

    Jun, 2023

  • 图像融合与曝光校正的整体动态频率变换器

    本文提出了一种新方法，利用频域改善和统一曝光校正任务处理，引入整体频率关注和动态频率前馈网络，用于提取全局信息和动态选择重要频带进行图像恢复。此外，采用拉普拉斯金字塔将图像分解为不同的频带，通过多个修复器分别恢复特定频带信息，最终统一了低光增强、曝光校正和多曝光融合这三个任务，并在主流数据集上取得了最先进的结果。

    Sep, 2023

  • 低光频域增强

    提出一种新颖的残差循环多小波卷积神经网络 R2-MWCNN 用于低光图像增强和降噪，该网络通过多层离散小波变换将输入特征图划分为不同的频率，提出了通道损失函数来更正颜色扭曲，实验证明该方法在量化和定性上优于现有的方法。

    Jun, 2023