Apr, 2024

WaveDH: 基于小波子带引导的卷积神经网络在高效图像去雾中的应用

HTML
PDF
TL;DRWaveDH是一个新颖而紧凑的ConvNet，利用小波分解从特征层中提取低频和高频组件，以提高处理速度并实现高质量重建，在频率感知的基础上对特征进行了优化，以在计算成本和准确性之间取得有利的权衡，通过大量实验证明，WaveDH方法在多个图像去雾基准上优于许多最先进的方法，并大幅降低了计算成本。
发现论文，激发创造
  • 高效准确的多尺度拓扑网络用于单幅图像去雾

    本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

    Feb, 2021

  • WaveCNet: 集成小波变换的卷积神经网络以抑制混叠效应，实现抗噪图像分类

    该论文提出了一种将小波变换与CNN融合的方法,通过DWT/IDWT层将特征图分成低频和高频两部分来提高CNN对噪声和对抗性攻击的鲁棒性，并在COCO检测数据集上不断提高object detectors性能的实验结果表明，该方法可以有效提升CNN的训练速度和精度。

    Jul, 2021

  • SDWNet：一种基于小波变换的长径网络用于图像去模糊

    本研究提出一种使用扩张卷积和小波变换的简化网络结构来解决图像去模糊问题，通过充分利用不同的感受野，使我们的方法在训练要求较低的情况下实现了与现有算法相当的性能。

    Oct, 2021

  • 自适应动态滤波网络用于图像去噪

    本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法，其中采用了增强空间上下文信息的核生成模块(SEKG)以及动态卷积块(DCB)和多尺度动态卷积块(MDCB)。此外，还提出了多维特征集成(MFI)机制，旨在融合多尺度特征，从而提供具有精确性和丰富上下文特征的表征。最终，使用所提出的算法构建的ADFNet在真实世界和合成高斯噪声数据集上取得了更好的性能，且具有较低的计算复杂度。

    Nov, 2022

  • 突破雾霾：基于快速傅里叶卷积和ConvNeXt的先进非均匀去雾方法

    该研究提出了一种新的两分支网络，利用2D离散小波变换、快速傅里叶卷积残差块和预训练的ConvNeXt模型来解决雾霾图像非均质去雾的问题，并进行了大量实验验证其有效性。

    May, 2023

  • 基于小波的扩散模型在图像恢复中的应用

    通过Wavelet-Based Diffusion Model和Efficient Conditional Sampling，本研究提出了一种更加高效的图像恢复方法，其速度可以达到传统方法的100倍以上，并在四个基准数据集上实现了最先进的性能。

    May, 2023

  • 准确且轻量级的去雾方法：多接受野非局部网络和新型对比正则化

    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

  • 一种用于单图像去雾的光照感知注意力网络

    提出了一种新的去雾网络，通过创新的Haze-Aware Attention模块（HAAM）和Multiscale Frequency Enhancement模块（MFEM）的结合来解决图像去雾的问题，该网络在效率和效果方面明显优于现有的基于注意力和变换器模型，为图像去雾领域的研究提供了新的突破。

    Jul, 2024

  • 谱小波 dropout：在小波域中的正则化

    本文针对卷积神经网络（CNN）的过拟合问题，提出了一种新颖的正则化方法——谱小波 dropout（SWD），通过在特征图的离散小波分解中随机丢弃详细频带，提高模型的泛化能力。与现有的傅里叶 dropout 方法相比，SWD 使用单一超参数，并在多个基准测试中表现出更低的计算复杂性与更优的性能。

    Sep, 2024

  • WTCL-去雾：通过小波变换和对比学习重新思考现实图像去雾

    该研究解决了在雾霾户外条件下捕获图像时出现的颜色失真、对比度低和细节丢失的问题。提出的WTCL-Dehaze网络结合了对比损失和离散小波变换，利用对比正则化增强特征表示，并通过多尺度特征提取捕捉高频细节。实验结果表明，该方法在去雾效果和鲁棒性方面优于当前最先进的单图像去雾技术。

    Oct, 2024