CVPRApr, 2024

CRNet：一种用于统一图像恢复和增强任务的细节保持网络

PDF
TL;DR本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。
image restorationimage enhancementcomposite refinement networkmultiple exposure imageshigh and low-frequency information
发现论文，激发创造
  • 学习丰富特征以进行真实图像修复和增强

    本文介绍了一个新颖的 CNNs 图像恢复架构，名为 MIRNet，该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征，能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明，MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。

    Mar, 2020

  • 改进的分割：学习适应暗光图像增强的亮度感知和细节敏感表示

    通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

    Jul, 2023

  • 动态网络图像超分辨率

    本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

    Oct, 2023

  • CRNet：用于少样本分割的交叉参考网络

    本文提出一种基于交叉参考网络的多类别小样本图像分割方法，通过先前的样本图像和待处理图像之间的交叉引用，同时预测前景目标，经过不断迭代的前景区域优化，实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升，最终在 PASCAL VOC 2012 数据集上取得了最佳效果。

    Mar, 2020

  • 低光图像增强的联合校正与优化

    一种名为 JCRNet 的新型结构被提出，可更有效地平衡亮度，颜色和照明。该方法通过三个阶段来增强亮度，颜色和照明，并在低光图像增强任务中显示出明显的综合性能优势。

    Sep, 2023

  • 用于真实图片降噪的选择性残差 M-Net

    本文介绍了一种基于 U-Net 模型结构并采用选择性核和残差块来实现多尺度语义信息丰富的盲实际图像降噪网络（SRMNet），在两个合成和两个真实噪声数据集上具有竞争性的性能结果。

    Mar, 2022

  • MSR-net: 使用深度卷积网络进行低光图像增强

    利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

    Nov, 2017

  • 规模循环网络用于深度图像去模糊

    本文介绍了一个称为 “SRN-DeblurNet” 的规模递归网络，该方法使用金字塔不同分辨率的 “粗到细” 方法逐步恢复锐化图像，在大规模模糊数据集上进行评估，结果显示我们的方法比现有方法在定量和定性上的呈现更好。

    Feb, 2018

  • CEN-HDR：用于实时高动态范围成像的计算效率高的神经网络

    本文提出了一种基于注意力机制和子像素卷积操作的 CEN-HDR 神经网络，以及使用知识蒸馏进行网络压缩的高效训练方案，其在实现高质量获取的同时比现有解决方案更快，并可在实时约束下实际部署。在 Kalantari2017 数据集上，使用 Macbook M1 NPU 实现 33 FPS 的帧速率，得分为 43.04 mu-PSNR。

    Feb, 2023

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018