Mar, 2024

通过选择性状态空间模型汇聚局部和全局特征用于高效图像去模糊

PDF
TL;DR提出了一种高效的图像去模糊网络，利用选择性结构化状态空间模型来聚合丰富准确的特征，同时注重图像的局部细节以进行恢复，实验结果表明该方法在广泛使用的基准测试中优于现有方法，显示出其卓越的性能。
image deblurringdeep learning modelsefficient image deblurring networkalgblockimage restoration
发现论文，激发创造
  • 高效的图像去模糊视觉状态空间模型

    本文提出了一种简单而有效的视觉状态空间模型（EVSSM）用于图像去模糊，在图像恢复任务中，相比卷积神经网络（CNNs）和视觉 Transformer（ViTs），EVSSM 相对于其它方法在基准数据集和真实捕捉的图像上表现出色。

    May, 2024

  • 基于混合 Transformer 的视频去模糊的长期锐利特征聚合

    提出了一种利用混合 Transformer 进行特征聚合的视频去模糊方法，该方法通过利用邻近帧和当前清晰帧恢复模糊帧，对事件驱动视频去模糊也有优秀表现。

    Sep, 2023

  • 图像搜索中深度局部和全局特征的统一

    该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

    Jan, 2020

  • 基于全局 - 局部信息协同的单图像超分辨率

    提出了一种新颖的超分辨率重建算法，通过独特的设计大幅提升了准确性，同时保持了低复杂度，该算法核心在于巧妙设计的全局 - 局部信息提取模块和基本块模块，通过结合全局和局部信息，实现了对图像内容更全面的理解，准确地恢复了图像的全局结构和局部细节，为后续的重建过程提供了丰富的信息支持。实验结果表明，提出的算法在超分辨率重建领域提供了最佳的综合性能，提供了一种高效实用的新解决方案。

    May, 2024

  • 通过重新审视全局信息聚合来改善图像恢复

    本文提出了一种在测试过程中仅聚合本地空间区域特征而非整张大图像的简单方法，名为 Test-time Local Converter（TLC）。该方法可提高图像恢复任务的性能，并且无需费力微调全局模块，例如归一化，通道和空间注意力等。

    Dec, 2021

  • DeblurDiNAT: 图像去模糊的轻量级有效的 Transformer

    我们提出了一种紧凑的编码器 - 解码器 Transformer 模型 DeblurDiNAT，旨在高效地从现实世界的模糊图像中恢复清晰图像。通过采用交替的空洞因子结构和通道调制的自注意力块 (CMSA)，以及快速特征传播的径路和乘法前馈网络 (DMFN)，并使用轻量级的门控特征融合 (LGFF) 模块，我们在多个图像去模糊数据集上取得了最先进的性能。相比最近的竞争者，我们的方法在参数数量减少 3%-68%、可节省时间的同时，产生了更接近真实图像的去模糊结果。

    Mar, 2024

  • 面向运动自适应去模糊的空间注意力补丁分层网络

    该研究提出了一种用于处理动态场景运动去模糊的有效像素自适应和特征关注设计，并使用有效的内容感知全局 - 局部过滤器模块，通过动态利用相邻像素信息和全局依赖性来显著提高性能，从而 surpassed 其他先前的去模糊方法。

    Apr, 2020

  • 遥感图像盲去模糊的多尺度广义收缩阈值网络

    提出了一种基于交替迭代的收缩阈值的多尺度广义收缩阈值网络 (MGSTNet) 的学习框架用于改善遥感图像模糊问题，该框架在遥感图像数据集上的实验结果显示其优越性。

    Sep, 2023

  • 动态场景去模糊的深层多尺度卷积神经网络

    本文提出了一种多尺度卷积神经网络模型，用于处理不同来源的模糊，通过使用自定义的大规模数据集训练该模型，实现了在动态场景去模糊方面的卓越性能。

    Dec, 2016

  • 基于增强的 Swin Transformer 及本地 - 全局特征的交替聚合的图像超分辨重建网络

    本论文通过交替聚合局部全局特征，引入了位移卷积实现局部空间信息和通道信息的交互，并提出了块稀疏全局感知模块以进一步实现空间和通道信息的交互。同时，引入了多尺度自注意模块和低参数残差通道注意模块，实现了不同尺度上的信息聚合。在五个公开数据集上验证了提出的网络，在超分辨率方面超过了其他最先进的网络。

    Dec, 2023