Dec, 2023

ReFusion: 通过元学习从重建中学习可学习损失的图像融合

PDF
TL;DR我们提出了一种名为 ReFusion 的统一的元学习图像融合框架，通过重构源图像来学习最佳融合损失函数，解决了深度学习图像融合算法中由于缺乏确定性的标准和距离测量而存在的问题，并能够成功适应多种融合任务。
发现论文，激发创造
  • 基于学得损失的元学习

    本文提出了一种元学习方法，用于学习参数化损失函数，该方法可以概括不同任务和模型架构之间的关系，从而使训练过程更快速、更强健。我们的元学习框架可以灵活地在元训练时加入额外信息，从而塑造损失函数，避免在元测试时需要提供该信息。

    Jun, 2019

  • FuseFormer: 用于视觉和热图像融合的 Transformer

    通过整合转换器模型的多尺度融合策略，本研究提出了一种新的图像融合方法，以克服使用评价指标作为损失函数所带来的局限性，并改善了整体方法的效果。

    Feb, 2024

  • 元先验：自适应逆问题求解的元学习

    基于深度神经网络和元学习的方法，实现在缺少标准数据的情况下，用少量样本进行特定任务的有效训练，并在图像处理和磁共振成像等多个领域展示了方法的有效性。

    Nov, 2023

  • 一种任务引导的、隐式搜索的、元初始化的深度模型用于图像融合

    本研究提出了一种基于 TIM 深度模型的图像融合方法，采用下游任务引导和隐式搜索机制来提高图像质量和视觉感知，并在不同类型的图像融合问题和相关下游任务上得到了很好的实验结果。

    May, 2023

  • 多曝光图像融合中紧凑稳健的架构探讨

    本研究提出了一种基于深度学习的图像融合算法，通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上，找到了更加紧凑和高效的网络结构，实现了比较优异的成果。

    May, 2023

  • 多任务磁共振成像重建基于元学习

    使用元学习方法在多个 MRI 图像数据集上高效学习图像特征，并同时重建多种成像序列的高度欠采样 k 空间数据。

    Mar, 2024

  • LRRNet：一种用于红外和可见光图像的新型表示学习引导融合网络

    本文提出了一种基于深度学习以及低秩表示为基础的图像融合网络构建方法，可以通过学得的模型来引导网络构造，以实现最佳的融合效果。在公共数据集中的实验结果表明，本文所提出的方法比其他现有的方法在融合性能方面具有更好的表现，而且所需的训练参数比其他方法要少。

    Apr, 2023

  • 利用镜面下降实现快速适应的多功能损失几何元学习

    利用从相关任务中提取的任务不变的先验知识，元学习是一种原则性的框架，能够在数据记录有限时有效地学习新任务。使用预条件器来处理权重更新的收敛问题是元学习中的一个基本挑战。现有方法通过增强每个任务的训练过程来处理这个挑战。然而，简单的线性预条件器很难捕捉复杂的损失几何结构。本文通过学习非线性的镜像映射来解决这个限制，从而引出一种通用的距离度量，能够捕捉和优化各种损失几何结构，从而促进每个任务的训练。在少样本学习数据集上的数值测试验证了这种方法的优越性和收敛性。

    Dec, 2023

  • 基于深度学习框架的红外和可见光图像融合

    本文提出了一种基于深度学习框架的有效图像融合方法，该方法能够将红外图像和可见光图像的所有特征生成单个图像。实验结果表明，该方法在客观评估和视觉质量方面均达到了最先进的性能。

    Apr, 2018

  • MetaF2N：基于学习高效模型自适应的盲目人脸图像超分辨率

    通过 MetaF2N 方法，利用包含的人脸来微调超分辨率模型参数以适应整个自然图像，在去除降级表征和低质量图像合成步骤的同时，只需一次微调步骤即可获得良好的性能。

    Sep, 2023