Jan, 2024

WaveletFormerNet：基于 Transformer 的用于真实世界非均质和密集雾去除的小波网络

PDF
TL;DR本文提出了一种基于 Transformer 和小波的网络 (WaveletFormerNet) 用于现实世界中的雾图像恢复，它通过将离散小波变换嵌入到 Vision Transformer 中来缓解由于降采样导致的图像质量损失和颜色失真，同时引入了并行卷积和特征聚合模块以提高模型的性能和泛化能力。实验结果表明，WaveletFormerNet 在雾图像恢复和计算机视觉应用中具有比现有方法更好的效果。
deep convolutional neural networksfoggy image processingtransformer-based wavelet networkreal-world foggy image recoveryfeature aggregation module
发现论文，激发创造
  • DedustNet：基于频域主导的 Swin Transformer 的小波网络用于农业粉尘去除

    我们提出了一种名为 DedustNet 的全新训练学习网络，利用基于 Swin Transformer 的波变换网络来解决实际农业图像去尘任务，并通过深度学习技术有效去除图像中的尘埃而保留原始结构和纹理特征，在农业机械应用中取得了卓越的性能和可靠的结果。

    Jan, 2024

  • DW-GAN：一种用于非均质去雾的离散小波变换 GAN

    提出了一种基于 2D 离散小波变换的去雾网络 (DW-GAN)，在 DWT 分支中利用小波变换来保留更多高频信息，采用 ImageNet 预训练的 Res2Net 来提高网络的泛化能力，并通过基于补丁的鉴别器来减少图像恢复的伪影，该方法在定量和定性上优于现有的去雾方法。

    Apr, 2021

  • 基于小波信道注意力融合网络的单幅图像去雨

    本文提出了一种新的卷积神经网络，叫做 Wavelet 通道注意力模块与融合网络，通过利用小波变换和逆小波变换来恢复图像，结合通道注意力，取得了比现有方法更好的降雨噪声图像去噪效果。

    Jul, 2020

  • 突破雾霾：基于快速傅里叶卷积和 ConvNeXt 的先进非均匀去雾方法

    该研究提出了一种新的两分支网络，利用 2D 离散小波变换、快速傅里叶卷积残差块和预训练的 ConvNeXt 模型来解决雾霾图像非均质去雾的问题，并进行了大量实验验证其有效性。

    May, 2023

  • GridFormer: 残差稠密格子结构变压器用于恶劣天气条件下的图像恢复

    本研究提出了一种基于 Transformer 的新型框架 GridFormer，该框架采用网格结构和残差密集 Transformer 块，引入了增强的注意力机制和残差密集 Transformer 块，可在艰难的天气条件下实现图像修复，并在五种不同的图像修复任务下实现了最先进的结果。

    May, 2023

  • SDWNet：一种基于小波变换的长径网络用于图像去模糊

    本研究提出一种使用扩张卷积和小波变换的简化网络结构来解决图像去模糊问题，通过充分利用不同的感受野，使我们的方法在训练要求较低的情况下实现了与现有算法相当的性能。

    Oct, 2021

  • 针对雨雪天气去除的有效高效 Transformer

    RSFormer 是一种高效有力的 Transformer，专门用于消除受天气影响的图像中的雨迹和雪花，它通过将 ConvNets 和 Vision Transformers 在分层结构中的接近度结合起来，利用替代自注意力机制的 Transformer-like 卷积块 (TCB) 以适应输入内容，并提出了全局 - 本地自注意力采样机制 (GLASM)

    Apr, 2023

  • EWT: 单幅图像去噪高效小波变换器

    提出了一种高效的小波变换器 (Efficient Wavelet Transformer，EWT) 方法，使用离散小波变换 (DWT) 和反小波变换 (IWT) 降采样和升采样以实现图像降噪。同时，还提出了一种新颖的双流特征提取块 (DFEB) 来在不同的级别提取图像特征，缩短模型推断时间和 GPU 存储器使用量。实验证明，该方法提高了原始 Transformer 的速度超过 80%，减少了 GPU 存储器使用量超过 60%，并取得了良好的去噪结果。

    Apr, 2023

  • UWFormer：一种基于半监督多尺度 Transformer 的水下图像增强方法

    该研究通过使用多尺度转换网络和半监督学习，提出了一种用于增强多频率图像的方法，通过非线性频率感知注意机制和多尺度融合前馈网络进行低频增强。此外，还引入了一种专门的水下半监督训练策略，提出了一个水下感知损失函数以生成可靠的伪标签，实验证明该方法在数量和视觉质量方面优于现有的水下图像增强方法。

    Oct, 2023

  • 单幅图像除雾的视觉 Transformer

    本文提出了 DehazeFormer，一种用于图像去雾的改进模型，比传统模型具有更好的效果。模型在多个数据集上进行了实验，表明 DehazeFormer 比当前最先进的方法表现更好。此外，我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。

    Apr, 2022