超高分辨率图像处理的进展与趋势概述
本文提出了一种针对超高清图像去莫尔纹的方法,首次建立了 UHDM 数据集并在其中进行了基准研究,提出了一种有效的基准模型 ESDNet,其中包括语义对齐的尺度感知模块以解决莫尔纹图案的尺度变化问题,实验证明该方法在性能和效率方面优于当前领先的方法。
Jul, 2022
本文针对超高清(UHD)图像降雨的问题,提出了一个大规模的 UHD 图像降雨数据集 4K-Rain13k,包含 13,000 个 4K 分辨率的图像对。在此基础上,我们对处理 UHD 图像的现有方法进行了基准研究。此外,我们开发了一种有效且高效的视觉 MLP 架构(UDR-Mixer)来更好地解决这个问题。通过广泛的实验结果表明,我们的方法在性能上优于最先进的方法,同时保持较低的模型复杂性。
May, 2024
本文构建了 UHD-Snow 和 UHD-Rain 两个基准数据集,模拟了雨雪的物理过程,研究提出了一种考虑梯度和法线先验的 UHD 图像恢复解决方案,包括高分辨率空间的特征融合与重构分支以及低分辨率空间的先验特征交互分支。实验证明了该方法在 UHD 图像低光增强、去噪和除雨方面具有领先的性能。
Jun, 2024
该研究针对深度 HDR 成像方法进行了全面和深入的调查和分析。他们根据输入照片数量,学习任务数量,新型传感器数据,新型学习策略和应用程序将现有的深度 HDR 成像方法层次化和结构化分组为五类,并对每个类别的潜力和挑战进行了建设性讨论,评估了数据集和评估指标,最终指出了未来的研究方向。
Oct, 2021
在本文中,我们通过合成两个大规模的 UHD 数据集(UHDRR4K 和 UHDRR8K),对六种最新的 SIRR 方法在 UHD 图像上的效果进行了综合评估,讨论了这些方法在 UHD 图像上的优缺点,并提出了一种基于 Transformer 架构的 RRFormer 来进行反射去除。实验证明,RRFormer 在非 UHD 数据集和我们提出的 UHDRR 数据集上均取得了最先进的性能。
Aug, 2023
通过开发一种新的合成方法来模拟 4K 模糊图像,然后利用 GAN 将合成的图像迁移到真实模糊域,最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集,称为 4K-HAZE 数据集,用于评估现有的单图像除雾方法,并讨论其限制和社会影响。
Mar, 2023
将标准动态范围电视(SDRTV)内容转换为高动态范围电视(HDRTV)的任务存在严重的色域转换错误,为解决此问题,本文提出了一种新的三步解决方案 HDRTVNet++,其中包括自适应全局色彩映射、局部增强和高光细化,该方法在处理 4K 分辨率图像时具有高效、轻量级的特点。
Sep, 2023
通过分析 SDRTV / HDRTV 内容的形成,本文提出了一种三步解决方案包括自适应全局着色映射、局部增强和高光的生成,而且通过利用全局统计信息为指导的轻量网络进行图像自适应配色映射,从而将 SDR 电视内容转换为 HDR 电视版本,并构建了一个名为 HDRTV1K 的 HDR 视频数据集,选择五种度量标准来评估算法的结果,并在定量比较和视觉质量上取得了最佳表现。
Aug, 2021
本文提出一种针对在全面屏幕手机上拍摄失真的相机图像进行高效的深度学习修复的方法,并给出了在不同方法上的性能和运行时间的比较结果。该模型使用操作次数更少,具有竞争力,并且从效率和生产角度分析了实际单张图像修复问题。
Nov, 2022
论文介绍如何利用图像处理技术作为预处理步骤提高自动视觉识别的性能,并提出一种名为 UG^2 的新基准数据集,其中包含三个困难的实景场景,用于评估图像恢复和增强技术对深度学习目标分类的影响。实验结果表明,该数据集是未来算法创新的有用工具。
Oct, 2017