通过信道和空间调制重新捕获原始屏幕图像和视频中的去莫尔条纹
本文提出了使用 RAW 和 sRGB 数据同时进行图像去莫尔纹处理的方法(RRID),通过 Skip-Connection-based Demoir'eing Module(SCDM)和 RGB Guided Image Signal Processor(RGISP)来实现,并证明该方法在莫尔纹去除和色彩修正方面具有优越表现。
Dec, 2023
使用我们最近提出的 “Shape” 概念,本文研究了光电显示器光学成像产生的非期望 Moire 图案,并提出了 ShapeMoiré 方法来辅助图像去 Moire 处理,通过在局部和全局图像级别建模形状特征,设计了一个新颖的 Shape-Architecture,实现了与现有方法的无缝集成,并在四个常用数据集上进行了实验,结果表明,ShapeMoiré 在 PSNR 指标方面达到了最先进水平,同时也在涉及智能手机摄影的实际去 Moire 场景中展现了其强大的鲁棒性与可行性。
Apr, 2024
本文提出了一种名为 FPANet 的模型,该模型在频率和空间域中学习滤波器,通过学习提取帧不变特征和输出更好质量的时间一致图像,改善了移除各种大小 Moire 图案的恢复质量,并用公开数据集展示了其优越性。
Jan, 2023
本研究提出了一种统一框架 DTNet,即一种面向方向和时间的双边学习网络,用于视频去莫尔纹。DTNet 在去莫尔纹的过程中有效地应用莫尔纹模式移除、对齐、色彩校正和细节修复等步骤,经过广泛实验证明,在峰值信噪比方面,该方法优于最先进的方法,并提供更好的视觉体验。
Aug, 2023
分析 3D 卷积在图像去马赛克模型中所存在的问题,如 Moire 伪影和过度平滑,并提出一种新的卷积方法来加强在颜色和空间维度上的信息交流,针对图像去马赛克和降噪等任务验证该方法的效果。
May, 2023
透过针对不同频带的动态材质和动态纹理的莫尔纹理的变化,提出了一种新型轻量级构架,称为 AADNet(注意力感知莫尔纹去除网络),用于高分辨率图像的莫尔纹去除。广泛的实验证实了我们的方法的有效性,并产生了高保真的图像。
Mar, 2024
采用动态加速方法 (DDA) 和新设计的 moire prior 对漫反射现象进行实时检测和优化,以在移动设备上实现拍照质量的提高,并通过 Snapdragon 8 Gen 1 芯片在 Vivo X80 Pro 智能手机上验证了其在推理时间上的显著改善。
Feb, 2023
本文设计了基于小波变换和空间注意力机制的双分支网络(WDNet),用于图像去马赛克处理,并在 Rain 100 和 Raindrop 800 数据集上优于现有的图像去雨滴方法。
Jul, 2020
本文提出了一种新型的多分辨率完全卷积网络,用于自动从照片中去除莫尔纹,该网络对输入图像进行非线性多分辨率分析,计算如何在每个频带内消除莫尔纹,该网络在 $100,000^+$ 个图像对的大规模基准数据集上实现了最先进的效果,相对于现有的图像恢复问题的学习架构。
May, 2018