Apr, 2024

动态预训练：高效可扩展的一体化图像恢复

PDF
TL;DR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。
image restorationall-in-onedynetweights-sharing mechanismpre-training
发现论文，激发创造
  • 利用扩散先验进行一体化图像恢复

    ZeroAIR 是一种全能图像修复的方法，通过利用预先训练的扩散模型捕捉的图像先验信息，解决了图像降级建模和扩散引导的两个挑战，实现了零操作图像修复。

    Dec, 2023

  • 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

  • 全能图像恢复的神经退化表示学习

    本研究中，我们提出了一种全能图像恢复网络，能够处理多种退化问题，通过学习神经退化表示 (NDR) 来解决多种退化数据的挑战，进一步结合退化查询模块和退化注入模块，实现了多种退化的全能恢复能力，同时采用双向优化策略来驱动 NDR 学习退化表示，我们的实验证明了该方法的有效性和泛化能力。

    Oct, 2023

  • AdaIR：利用适配器发现图像恢复任务的潜在相似性

    在这项工作中，我们提出了一种名为 AdaIR 的新框架，通过在自我监督预训练中使用合成降解物来构建通用的恢复网络，然后训练特定的适配器来适应特定的降解物，从而实现低存储成本和高效训练，达到多任务恢复的卓越结果。

    Apr, 2024

  • 多阶段渐进式图像修复

    该研究提出了一种名为 MPRNet 的多阶段架构，使用编码器 - 解码器架构学习上下文信息和高分辨率分支，结合像素自适应设计重新加权本地特征，从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡，该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。

    Feb, 2021

  • AdaptIR：面向预训练图像恢复模型的参数高效多任务适应

    提出了 AdaptIR，一种适应预训练恢复模型的新型参数高效迁移学习方法，通过采用多分支入射结构来正交地捕捉局部空间、全局空间和通道交互，以实现在非常低的参数预算下的强大表示。实验证明，该方法仅使用 0.6% 的参数就能达到与全微调相当甚至更好的性能。

    Dec, 2023

  • 高效的考虑降质的图像修复

    提出了一种高效的全能图像修复器 DaAIR，使用低秩模型 DaLe 来协同挖掘不同退化中共享的特征和细微差别，生成具有退化感知的嵌入，实现了全面和特定学习的统一模型。通过动态分配模型容量给输入的退化，达到了高效的修复效果。与现有的全能模型和特定退化模型相比，展示了优异的性能和实用性。

    May, 2024

  • DRM-IR: 全能图像恢复的任务自适应深度展开网络

    该研究提出了一种基于动态参考建模范式的高效 All-In-One 图像复原方法，该方法采用一对相互纠缠的基于参考的最大后验概率推断，实现任务自适应的降噪建模和模型图像还原，同时提供了显式的灵活性和可解释性。

    Jul, 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

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019