基于 CLIP 傅里叶引导小波扩散的低光图像增强
我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法,它利用波浪变换加速推理并降低计算资源使用但不损失信息,并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块,利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明,我们的方法在定量和视觉上均优于现有的最先进方法,并且与以前的扩散方法相比,在效率上获得了显着的提高。此外,我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。
Jun, 2023
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
介绍了一种名为 WF-Diff 的新型水下图像增强框架,利用频域信息和扩散模型的特性,通过 Wavelet-based Fourien information interaction network (WFI2-net) 和 Frequency Residual Diffusion Adjustment Module (FRDAM) 的网络来实现水下图像的增强和细节调整。该算法在真实水下图像数据集上显示了最先进的性能,并在视觉质量方面取得了有竞争力的表现。
Nov, 2023
我们提出了一种新颖的水下图像增强方法,通过利用多导向扩散模型进行迭代增强。我们使用图像合成策略并结合对比语言 - 图像预训练(CLIP)来训练一个控制扩散模型生成过程的分类器,在高频区域提出一种快速微调策略,结果表明我们的方法具有更自然的外观。
May, 2024
通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性,本文旨在缩小扩散模型与 GAN 模型之间速度差距,实验结果证明该方案是实现实时高保真扩散模型的基础。
Nov, 2022
本研究介绍了 FLW-Net,一种用于低光图像增强的快速轻量级网络,可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果,并进行了比较实验以证明其有效性。
Apr, 2023
提出了一种新颖的基于频域引导的多尺度扩散模型(FDDiff),该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤,使用小波包频域链提供多尺度的中间目标,以逐步补充缺失的高频细节,并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分,通过对流模型在图像超分辨率任务中生成高质量图像,并在广泛的评估中展示了其优于先前的生成方法的结果。
May, 2024
WaveDH 是一个新颖而紧凑的 ConvNet,利用小波分解从特征层中提取低频和高频组件,以提高处理速度并实现高质量重建,在频率感知的基础上对特征进行了优化,以在计算成本和准确性之间取得有利的权衡,通过大量实验证明,WaveDH 方法在多个图像去雾基准上优于许多最先进的方法,并大幅降低了计算成本。
Apr, 2024
WaveFace 通过在频域中分别处理低频和高频成分,解决了扩散模型在时间和身份保留方面的问题,高频成分通过统一网络处理,从而在身份保留和效率方面超越现有的扩散模型基础的 BFR 方法。
Mar, 2024