DedustNet:基于频域主导的 Swin Transformer 的小波网络用于农业粉尘去除
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。
Jan, 2024
借助基于 Swin Transformer 结构的 deep learning 方法进行恢复图像分辨率的研究,提出了一种具有先进的稀疏小波框架的三步解卷积框架,与传统的 Firedec 算法相比,我们的方法在恢复分辨率、适应不同噪声特性和计算效率方面展示出巨大优势,对于从地面图像中识别远程宇宙中的结构具有很大的潜力。
May, 2024
该论文提出了一种将小波变换与 CNN 融合的方法,通过 DWT/IDWT 层将特征图分成低频和高频两部分来提高 CNN 对噪声和对抗性攻击的鲁棒性,并在 COCO 检测数据集上不断提高 object detectors 性能的实验结果表明,该方法可以有效提升 CNN 的训练速度和精度。
Jul, 2021
本文研究如何通过离散小波变换(DWT)代替传统的 max-pooling,strided-convolution 和 average-pooling 来提高卷积神经网络(CNN)的抗噪性能,并设计了 WaveCNets 来进行图像分类,实验证明 WaveCNets 相比于 VGG,ResNets 和 DenseNet 等传统版本具有更好的噪声鲁棒性和准确性。
May, 2020
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
为了充分利用空间信息进行分割并解决遥感图像中灰度变化显著区域的挑战,我们提出了 SFFNet(Spatial and Frequency Domain Fusion Network)框架。该框架采用两阶段网络设计:第一阶段使用空间方法提取特征,以获取具有足够空间细节和语义信息的特征;第二阶段在空间和频域中映射这些特征。在频域映射中,我们引入了小波变换特征分解器(WTFD)结构,该结构使用 Haar 小波变换将特征分解为低频和高频成分,并将其与空间特征进行融合。为了弥合频域和空域特征之间的语义差距,并便于进行显著特征选择以促进来自不同表示域的特征组合,我们设计了多尺度双重表示对齐滤波器(MDAF)。该结构利用多尺度卷积和双交叉注意力机制。全面的实验结果表明,与现有方法相比,SFFNet 在 mIoU 方面表现出卓越性能,分别达到 84.80% 和 87.73%。
May, 2024
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
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
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
将音频降噪问题转化为图像生成任务,通过复杂图像生成 SwinTransformer 网络捕获更多的信息,使用结构相似性和详细损失函数生成高质量图像并最小化去噪音频和干净音频之间的差异,实验证明该模型优于现有方法。
Oct, 2023