Dec, 2023

引导图像恢复的同时特征与图像引导融合

PDF
TL;DR通过同时考虑特征和图像级别的引导融合，我们提出了一种 Simultaneous Feature and Image Guided Fusion (SFIGF) 网络用于图像导向恢复任务，该网络结合了传统的引导滤波机制和深度学习方法，旨在同时恢复图像的上下文信息和细节信息。
guided image restorationjoint image filteringdeep learningfeature-level fusionimage-level fusion
发现论文，激发创造
  • 引导深度超分辨率的联合隐式图像函数

    本文提出了一种将指导性先验信息引入深度超分辨率模型的方法，使用联合隐式函数 (JIIF) 来表示目标图像领域，并使用图注意力机制在联合深度隐式函数中学习插值权重，该方法在三个公共基准测试中显着优于现有方法。

    Jul, 2021

  • 稳健引导滤波

    本文提出了一种基于数据项和光滑项的 Robust Guided Image Filtering（RGIF）通用框架，旨在解决引导图像与目标图像之间的结构不一致性以及目标图像中噪声的问题。该模型可同时去噪目标图像和执行对噪声具有鲁棒性的 GIF 操作，并具有良好的边缘保持平滑处理效果。通过提出的迭代加权最小二乘法（IRLS）方法来解决高度非凸问题，进一步开发基于数据驱动的参数优化方案，以适当确定模型中参数。

    Mar, 2017

  • 相互指导的动态网络图像融合

    我们提出了一种新颖的相互引导动态网络（MGDN）用于图像融合，该网络允许有效地利用来自不同位置和输入的信息。实验结果表明，我们提出的方法在四种图像融合任务上优于现有方法。

    Aug, 2023

  • 重新思考超分辨率，作为基于文本的细节生成技术

    本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

    Jul, 2022

  • 快速的端到端可训练引导滤波器

    本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。

    Mar, 2018

  • 引导深度解码器：无监督图像对融合

    本研究提出了一种基于引导式深度解码器网络的通用先验，该网络由一个利用引导图像的多尺度特征的编码器 - 解码器网络和一个生成输出图像的深度解码器网络组成，并通过特征细化单元将引导图像的多尺度特征嵌入深度解码器网络，允许网络参数在无监督学习的情况下进行优化，实现了多种图像融合问题的最新性能。

    Jul, 2020

  • 联合红外可见光图像融合和显着性目标检测的交互增强范式

    本文提出一种基于红外和可见光图像的交互式多任务范式，通过特征筛选的融合子网和融合引导的交叉互补 SOD 子网相结合，进行物体定位和探测，同时提出交互式循环学习策略，以实现这两个任务的互相增强，取得了显著的效果。

    May, 2023

  • 学习变形引导的盲目人脸修复

    本文研究了盲目还原面部图像的问题，通过使用高品质引导图像及 WarpNet 网络来修正姿势、光照和表情等因素对面部细节的影响，同时使用 CNN 和 Synthetic 数据来完成盲目还原任务。

    Apr, 2018

  • FGF-GAN: 基于快速引导滤波器的轻量级生成对抗网络用于全色图像增强

    本文提出了一种基于生成对抗网络和快速引导滤波器的全色融合技术，通过替代传统的通道拼接方法，保留了空间信息并减少了参数数量，在融合过程中可以突出关键信息。同时，经过对抗训练，特征的潜在信息得以有效保留，并生成了高质量的高分辨率多光谱图像。

    Dec, 2020

  • 引导式超分辨率：像素到像素转换

    该研究提出了一种新颖的向导超分辨率方法，将问题视为像素级向导图到源图像域的映射，使用无监督学习和多层感知机来参数化映射函数，达到超分辨率的效果，并在深度图和树高图两个任务中均优于其他基线算法。

    Apr, 2019