在图像修复中,人们常常希望根据指令去除特定的图像退化现象,本文提出了一种名为 TransRFIR 的新型建模方法,它通过感知图像中的不同退化类型并根据文本提示去除特定的退化,该方法基于两个设计的注意力模块,即 MHASA 和 MHACA,具有较低的计算成本和优秀的性能,可以作为图像修复的一种有效架构。
Apr, 2024
提出了一种高效的全能图像修复器 DaAIR,使用低秩模型 DaLe 来协同挖掘不同退化中共享的特征和细微差别,生成具有退化感知的嵌入,实现了全面和特定学习的统一模型。通过动态分配模型容量给输入的退化,达到了高效的修复效果。与现有的全能模型和特定退化模型相比,展示了优异的性能和实用性。
May, 2024
我们提出了一种全能多退化图像恢复网络 (AMIRNet),通过聚类逐步构建树状结构,学习未知退化图像的退化表示,并利用特征转换模块 (FTB) 弥补领域差异,从而实现从各种未知失真中恢复高质量图像的目标。
Aug, 2023
在这项工作中,我们提出了一种名为 AdaIR 的新框架,通过在自我监督预训练中使用合成降解物来构建通用的恢复网络,然后训练特定的适配器来适应特定的降解物,从而实现低存储成本和高效训练,达到多任务恢复的卓越结果。
本文介绍 $L^{2} RIRNet$ 神经网络,旨在实现同时处理低光和降雨的任务,此外还提出了两个有效工具 —— 快速傅里叶 - ResNet 的细节引导模块和低光 - 雨图像合成与真实数据集。
May, 2023
本文提出了一种基于补偿放射变形的图像复原方法 SPAIR,该方法结合了损失定位信息和恰当的稀疏卷积,实现了对多种不同空间退化模型的适用,并且在多项实验中均取得了良好的表现。
Aug, 2021
提出了 AdaptIR,一种适应预训练恢复模型的新型参数高效迁移学习方法,通过采用多分支入射结构来正交地捕捉局部空间、全局空间和通道交互,以实现在非常低的参数预算下的强大表示。实验证明,该方法仅使用 0.6% 的参数就能达到与全微调相当甚至更好的性能。
Dec, 2023
通过使用浅层网络和高效的块实现全局加性多维均值操作,我们介绍了一种图像复原网络,既具有快速执行速度又能提供优秀的图像质量。通过广泛的实验证明,我们的网络在各种任务上实现了与现有的最先进图像复原网络相媲美甚至更优秀的结果,并且具有较低的延迟。
Mar, 2024
该研究致力于解决当前图像修复网络存在的问题,提供了一种基于生命技术的新颖方法,即利用神经 “生长” 策略,使之前训练的模型可以不断吸收新知识而不会遗忘旧有专业知识,该方法在处理协同模式下的混合失真图像上能够取得出色的成果。
Aug, 2020
提出了一个准确、快速、轻量级的网络 CAIR 用于 Instagram 滤镜去除,采用非线性激活函数自由网络(NAFNet)和加入颜色注意力模块,达到 11× 快速和 2.4× 轻量级,同时在 IFFI 数据集上超过了 3.69 dB PSNR,并成功去除了 Instagram 滤镜和恢复了色彩信息。
Aug, 2022