CVPRFeb, 2024

图像转换的鲁棒频率分布损失函数

PDF
TL;DR该研究论文引入了一种新颖且简单的频率分布损失（FDL）来解决深度学习图像转换方法中常见的问题，通过在频率域内计算分布距离来克服依赖像素级准确对齐的配对数据集所带来的挑战，并证明了 FDL 相比现有的鲁棒性较差的损失函数在图像增强和超分辨率任务中的优越性。
deep learningimage transformationfrequency domainfrequency distribution loss (fdl)misalignment-robust loss functions
发现论文，激发创造
  • 频域图像翻译：更逼真的照片，更好的保持身份

    该研究提出了一种基于频域的图像翻译框架（FDIT），能够保留源领域的标志性特征，生成视觉质量更优且类真实的图像。

    Nov, 2020

  • 图像重建与合成的焦点频率损失

    本研究展示了狭窄频率域中缩小误差能够进一步改善图像重建和合成质量，提出了新的焦点频率损失函数并在多种流行的模型中展示其作用，同时对 StyleGAN2 的潜在性进行了探讨。

    Dec, 2020

  • 图像恢复的引导频率损失

    本研究提出了引导频率损失（GFL）方法，通过聚合 Charbonnier 组件、拉普拉斯金字塔组件和渐进频率组件，有助于在图像频率内容和空间内容之间平衡地学习，通过对超分辨率和降噪任务的实验发现，GFL 损失方法在大多数实验中提高了 PSNR 指标，并且在 SwinIR 和 SRGAN 的超分辨率模型的训练中也取得了改善。

    Sep, 2023

  • FDA: 用于语义分割的傅里叶域自适应

    本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

    Apr, 2020

  • 基于 GAN 的医学图像增强的频域分解转换

    提出了一种新颖的频域分解转译方法（FDDT），用于医学图像转译，通过高频和低频分量的对齐来平衡图像的身份和风格信息，并在 MRI 图像和自然图像上进行了广泛的实验评估。

    Nov, 2023

  • FDDM：使用频率解耦扩散模型的无监督医学图像翻译

    本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部 MR-to-CT 转换数据集进行了广泛评估，结果表明 FDDM 在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。

    Nov, 2023

  • 通过估计局部块的频率分布进行图像修复

    本文提出了一种基于频域的图像恢复方法，使用交叉熵损失学习频域中的分布，将图像恢复问题作为分类问题来处理，以确定图像补丁中每个频率带的频率系数。

    May, 2018

  • 在频域中高效地学习算子

    本文介绍一种基于单个信号变换的频域学习模型，通过方差保持初始化方法和频率选择技术，可以简化模型设计，从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。

    Nov, 2022

  • 基于傅里叶变换的领域自适应框架

    使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。

    Mar, 2024

  • 学习频率感知的动态变换器用于一体化图像恢复

    该研究提出了一种全方位图像恢复方法，通过从频率角度出发，利用先进的视觉变换器来处理多种类型的退化，以提取图像的退化表示并引导模型适应性地恢复退化的图像。实验证明，该方法在去噪、去雨、去雾和去模糊等四个典型恢复任务中优于现有方法，并且能够处理空间变异的退化和未知退化水平。

    Jun, 2024