Feb, 2024

DestripeCycleGAN：无监督红外图像除条纹的条纹模拟 CycleGAN

PDF
TL;DR在本研究中，我们提出了一种名为 DestripeCycleGAN 的新型框架，用于单帧红外图像去条带化。通过将传统的辅助生成器替换为先验条带生成模型（SGM），结合梯度图用于重新建立循环一致性，并设计了 Haar 小波背景引导模块（HBGM）以最小化不同领域之间的背景细节差异，同时采用多级小波 U-Net（MWUNet）作为去噪生成器，保持垂直边缘。在真实和合成数据上的大量实验证明了我们的 DestripeCycleGAN 在视觉质量和定量评估方面超越了最先进的方法。
发现论文，激发创造
  • 稳健的无监督 StyleGAN 图像修复

    本文提出了一种基于 GAN 的图像去噪、增强方法，引入了 3 个阶段渐进式潜空间扩展和保守优化器，使该方法对于多种不同水平的退化具有鲁棒性，效果比其他基于 StyleGAN 和扩散方法的方法更好。

    Feb, 2023

  • Cycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾

    本文提出了一种称为 Cycle-Dehaze 的端到端网络，用于单图像去雾问题，无需对成对的模糊和对应的真实图像进行训练，此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式，以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明，该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。

    May, 2018

  • DISGAN：基于小波引导的鉴别器指导 GAN 进行 MRI 超分辨率重建与噪声清除

    提出了一种名为 Denoising Induced Super-resolution GAN (DISGAN) 的新方法，在 MRI 超分辨率和去噪任务中使用单个深度学习模型同时解决两个任务，通过引入 3D 离散小波变换作为频域约束，该模型在超分辨率图像生成和去噪方面表现出色。

    Aug, 2023

  • CycleGAN，隐写大师

    CycleGAN 可以学习到将两个图像分布之间的转化，并且会将源图像信息隐藏在其生成的图像中，从而保证了循环一致性，然而其通过循环一致性来保证生成的图像真实性导致了其容易受到对抗攻击的影响。

    Dec, 2017

  • 循环一致性反向生成对抗网络用于文本到图像合成

    本文提出了一种新颖的循环一致性逆向生成对抗网络 (CI-GAN) 框架，用于文本到图像生成和文本引导下的图像操作任务，在该框架中，我们采用循环一致性训练来学习更加稳健一致的潜变量，并通过学习文本表示与潜变量之间的相似度模型，在文本引导的优化模块中生成具有所需语义属性的图像，实验证明该框架具有良好的性能。

    Aug, 2021

  • Cycle-IR: 深度循环图像重定向

    本文介绍了一种名为 Cycle-IR 的单个深度模型实现图像重定向的方法，其中包括反向映射、循环一致性损失和一个名为 IRNet 的简单而有效的网络，该网络包含一个空间和通道注意力层，能够有效地区分输入图像的视觉重要区域，可以直接生成任意大小和所需纵横比的目标图像。

    May, 2019

  • CycleISP：通过改进数据合成进行真实图像恢复

    本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

    Mar, 2020

  • 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

  • 无监督图像超分辨率使用循环对抗网络

    本文提出了一种无监督学习的方法，利用生成对抗网络和 Cycle-in-Cycle 网络结构，通过映射、上采样和微调等三个步骤，将带有噪声和模糊的低分辨率图片转换为高分辨率图片，并在 NTIRE2018 数据集上取得了与有监督模型相当的效果。

    Sep, 2018

  • 野外环境下面部照片 - 素描互译的半监督循环生成对抗网络

    本文介绍一种半监督方法，即带有噪声注入策略的 Semi-Cycle-GAN (SCG)，用于解决面部照片素描翻译中的配对数据集小且缺乏多样性以及来自不匹配照片 - 素描数据集所带来的隐写学现象等问题。实验证明 SCG 在公共基准测试中具有竞争性的性能，并且在野外照片上表现出优越的结果。

    Jul, 2023