本文提出了一个轻量级 LRNNet 模型，实现了高效的实时语义分割问题，通过降低计算成本和内存占用的非局部模块实现了更准确的非局部特征融合。实验证明，在训练时只使用精细注释数据的情况下，LRNNet 在 Cityscapes 测试数据集上达到了 72.2% 的 mIoU，并具有更好的轻量级，速度，计算和精度之间的平衡。

Jun, 2020

通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

Mar, 2024

本研究旨在通过采用自适应加权下采样层、基于平滑向量的卷积块和干扰抑制学习等多种技术，抑制低光环境下的特征噪声，从而大幅提高实例分割的准确率。同时，研究人员发现高位深 RAW 图像相比于典型的相机 sRGB 输出可以更好地保留更丰富的场景信息，支持使用 RAW 输入算法进行低光下的实例分割。为此，他们提出了一个低光 RAW 综合管道来生成逼真的低光数据集，并捕获了一个包含超过两千个配对低 / 正常光图像的现实低光实例分割数据集，为未来研究打开了新的机会。

Apr, 2023

该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

本文提出了 AutoNL 算法解决了 Non-Local blocks 难以嵌入移动神经网络和配置不优等问题。AutoNL 设计了轻量级的 Lightweight Non-Local block 和一种有效的神经架构搜索算法，仅使用 32 个 GPU 小时即在 ImageNet 数据集的 350M FLOPs 的移动设定下实现了 77.7％的准确率，显著优于 MobileNetV2，FBNet 和 MnasNet 等先前的移动模型。

Apr, 2020

本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有的并行性上实现高效实现。

Nov, 2016

提出了一种基于多接收域非局部网络（MRFNLN）的图像去雾方法，该方法利用深度学习方法提取有用特征，并通过多流特征注意力块（MSFAB）和交叉非局部块（CNLB）实现对图像去雾的优化，同时引入了新颖的细节聚焦对比正则化（DFCR）以提高模型性能。

Sep, 2023

通过引入 L-WaveBlock，这篇论文以生成对抗网络 (GANs) 为基础，结合离散小波变换 (DWT) 和深度学习方法，提出了一种新颖且强大的特征提取器，能够加快 GAN 生成器的收敛速度并增强性能，展示了其在三个数据集上的出色效果，为图像的分辨率、生成和去噪等领域提供了一种稳健而高效的工具。

Nov, 2023

本文提出了一种结合 NSS 先验和 CNN 的块匹配卷积神经网络（BMCNN）方法，该方法可以恢复重复和不规则结构的图像去噪，并在实验结果上达到了最先进的性能。

Apr, 2017

本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法，通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取，该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。

Oct, 2021