MMApr, 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

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。
image dehazingdeep learningconvnetwavelet decompositioncomputational costs
发现论文，激发创造
  • 基于小波信道注意力融合网络的单幅图像去雨

    本文提出了一种新的卷积神经网络，叫做 Wavelet 通道注意力模块与融合网络，通过利用小波变换和逆小波变换来恢复图像，结合通道注意力，取得了比现有方法更好的降雨噪声图像去噪效果。

    Jul, 2020

  • DW-GAN：一种用于非均质去雾的离散小波变换 GAN

    提出了一种基于 2D 离散小波变换的去雾网络 (DW-GAN)，在 DWT 分支中利用小波变换来保留更多高频信息，采用 ImageNet 预训练的 Res2Net 来提高网络的泛化能力，并通过基于补丁的鉴别器来减少图像恢复的伪影，该方法在定量和定性上优于现有的去雾方法。

    Apr, 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

  • 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

  • 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

  • 高低频分解的图像修复与增强

    通过高低频分解，HLNet 方法考虑了不同退化的特性，从而实现了更高质量的图像恢复和增强。

    Apr, 2024

  • 基于离散小波变换的卷积神经网络的详细密集推断

    该论文提出了一种基于 CNN 编码器 - 解码器结构的 WCNN，并在城市景观数据集上进行了实验，结果表明它能够有效地进行高分辨率密集像素预测并提高准确性。

    Aug, 2018

  • 小波扩散模型：快速可扩展的图像生成器

    通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

    Nov, 2022

  • EWT: 单幅图像去噪高效小波变换器

    提出了一种高效的小波变换器 (Efficient Wavelet Transformer，EWT) 方法，使用离散小波变换 (DWT) 和反小波变换 (IWT) 降采样和升采样以实现图像降噪。同时，还提出了一种新颖的双流特征提取块 (DFEB) 来在不同的级别提取图像特征，缩短模型推断时间和 GPU 存储器使用量。实验证明，该方法提高了原始 Transformer 的速度超过 80%，减少了 GPU 存储器使用量超过 60%，并取得了良好的去噪结果。

    Apr, 2023

  • HDNet：用于光谱压缩成像的高分辨率双域学习

    本文提出了一个高分辨率双域学习网络（HDNet）用于高光谱图像的重建，该网络采用像素级精细特征和频率级细化来提高感知质量，在模拟和真实数据集中取得了最优结果。

    Mar, 2022