Mar, 2024

GAMA-IR：全球累加多维均值用于快速图像恢复

PDF
TL;DR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。
deep learning-based methodsimage restorationshallow networkself attention mechanismslatency
发现论文，激发创造
  • 基于注意力的自适应操作选择，用于在未知混合失真情况下的图像恢复

    本文提出了一种简单而有效的神经网络层结构，其可以并行执行多个操作并通过注意力机制进行加权，以选择适当的操作来应对多种组合失真。实验结果表明，该方法比以前的方法在恢复具有多个组合失真的图像方面更为有效。

    Dec, 2018

  • 一种全方位的多降级图像恢复网络基于层次化降级表示

    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

  • 基于宽深学习的空间和强度自适应图像恢复

    本文提出了一种新的神经网络架构 DparNet，通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化，该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效，模型参数数量和计算复杂度均较小。

    May, 2023

  • LIR：轻量级图像修复的高效降级去除

    提出了一种轻量级图像恢复网络 LIR，通过高效的自适应关注 (EAA) 模块实现了去除图像降噪、模糊等的目的，同时比现有网络在参数和计算量上更高效且产生更接近人眼感知的视觉效果。

    Feb, 2024

  • Restorer: 使用一组参数解决多个图像恢复任务

    通过 Transformer 网络 Restorer，我们设计了一种综合有效的解决方案，能够在去雨、去雪、去雾、去模糊等多种图像修复任务中展现国际领先或可比较的性能，并且在推理时速度更快。

    Jun, 2024

  • 图像恢复的深度聚合交替最小化

    本文介绍了一种名为 DeepAM 的图像恢复通用框架，该框架使用卷积神经网络作为先验或正则化器，通过端到端学习来训练深度神经网络实现传统 AM 算法中的两个步骤（近端映射和？- 延续）。作者通过在大量数据上学习而获得的深度聚合的正则化器表现优于最近的数据驱动方法和非本地方法，并通过几个图像恢复任务来展示其灵活性和有效性，包括单张图像去噪、RGB-NIR 恢复和深度超分辨率。

    Dec, 2016

  • 图像修复只需记忆增强

    本文介绍了一种结合了三个粒度的内存层和对比学习的 MemoryNet 方法，通过保留图像的深度特征和收敛学习特征以提高恢复性能，并在水雨去除、去阴影、去模糊任务上获得了显著的 PSNR 和 SSIM 增益，以证明恢复图像具有感知逼真性。

    Sep, 2023

  • 基于特征注意力机制的真实图像去噪

    本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

    Apr, 2019

  • 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

  • 动态预训练：高效可扩展的一体化图像恢复

    通过 DyNet 动态网络设计的全能图像恢复任务模型，结合权重共享机制和动态预训练策略，在图像去噪、去雨和去雾等多种任务上取得了最新的成果，同时比基准模型减少 31.34% 的 GFlops 与 56.75% 的参数。

    Apr, 2024