强调有效图像恢复的关键特征
本文提出了一种基于注意力机制的深度卷积神经网络用于图像修复，在空间、通道和层次三个维度加入注意力机制以用于更好的特征表达和特征相关性学习。实验表明该方法在定量和视觉分析上优于现有方法。
Sep, 2020
我们开发了一种创新的双路径耦合去雨网络（DPCNet），通过空间特征提取块（SFEBlock）和频率特征提取块（FFEBlock）在空间和频率域中整合信息，并引入了一种有效的自适应融合模块（AFM）来进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了大量实验证明，不仅超越了现有的最先进去雨方法，而且在下游视觉任务中具有出色的鲁棒性和视觉效果。
Feb, 2024
本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。
Jun, 2023
通过创新性的 U-Net 架构设计，提出一个称为 M3SNet 的图像恢复系统，通过特征融合中间件和多头注意力中间块，达到保留空间细节，集成上下文信息，并使用不到一半的计算成本，超过了先前的最优模型。
May, 2023
通过提出的 IREANet 框架，该研究致力于解决从一系列噪声、模糊和低动态范围多曝光 RAW 输入中恢复高质量高动态范围（HDR）图像的 Bracket Image Restoration 和 Enhancement 任务。
Apr, 2024
通过频域挖掘和调制，我们提出了一种自适应的全功能图像恢复网络，该网络能够根据不同的输入降解类型强调信息丰富的频带，从而实现逐步引导的恢复。广泛的实验证明，该方法在去噪、去雾、去雨、运动去模糊和低光图像增强等不同图像恢复任务上实现了最先进的性能。
Mar, 2024
通过通道和空间特征调制，本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络，该网络能够加强高贡献信息和抑制冗余信息，同时通过门控融合节点适应性地融合分层特征，使得模型在图像超分辨率上比现有技术更优秀。
Sep, 2018
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
本文提出了一种新颖的基于空间频率领域网络（SFDNet）的零样本增量学习方法，其中包含了空间频率特征提取模块（SFFE）和注意力特征对齐模块（AFA），通过从样本图像领域捕捉重要信息，提高零样本转换分类增量算法的性能。该网络能够有效地提取图像的空间频率特征表示，提高图像分类的准确性，并从根本上缓解了灾难性遗忘。针对 CUB 200-2011 和 CIFAR100 数据集的广泛实验表明，我们提出的算法胜过了最先进的增量学习算法。
Feb, 2024