May, 2024

一个基于传输映射先验的水下图像增强模型（参数 7K）

PDF
TL;DR基于轻量级选择性注意力网络（LSNet）的高效深度学习模型在水下图像增强方面取得了出色性能，相较于其他基于注意力机制的模型，LSNet 在参数数量和计算资源上均显著减少，并获得了 97% 的峰值信噪比。
underwater image enhancementdeep learninglightweight networkselective attentioncomputational resources
发现论文，激发创造
  • Five A + 网络：水下图像增强只需 9K 参数

    本文提出了一种名为 Five A+ Network (FA+Net) 的高效且轻量级的实时的水下图像增强网络，具有很高的计算效率和性能，采用两阶段的增强结构和像素关注模式，能够在多个数据集上实现最先进的性能。

    May, 2023

  • 1M 参数足矣？用于医学图像分割的轻量级基于 CNN 的模型

    本文提出了一种基于 Depthwise Separable Convolution 的轻量化 U-Net 模型 ——U-Lite，该模型只有 878K 参数，在保持高精度的前提下降低了计算复杂度，因此在医学图像分割任务中表现优异。

    Jun, 2023

  • LU2Net：一种轻量级实时水下图像增强网络

    提出了一种用于实时增强水下图像的新型 U 形网络 LU2Net，通过引入轴向深度卷积和通道注意力模块，显著降低了计算需求和模型参数，从而提高了处理速度，并能以比现有最先进的水下图像增强方法快 8 倍的速度提供增强后的水下图像。此外，LU2Net 还能够处理实时水下视频增强。

    Jun, 2024

  • LowDINO -- 一个低参数的自监督学习模型

    本研究旨在探索设计一种神经网络架构，使小型网络能够采用自监督学习中已显示出成功的大型网络的属性，用于图像分类、分割等所有下游任务。

    May, 2023

  • 一种基于物理知识引导的水下图像增强的泛化动态模型

    通过物理知识引导的动态模型，通过对海洋影像的大气、透射和先验进行动态卷积、自适应参数提取和多尺度特征提取，实现对水下图像的普遍增强。

    Aug, 2023

  • 125 FPS 下约 8K 参数的 4K 分辨率照片曝光校正

    通过使用非常轻量级（仅有约 8K 个参数）的多尺度线性变换（MSLT）网络，我们提出了一种能够以每秒 125 帧比特率处理 4K 分辨率 sRGB 图像的照明校正方法，该方法能够有效降低参数量和计算复杂度。

    Nov, 2023

  • 基于波长属性的深度神经网络用于水下图像修复

    本文提出了一种用于水下图像恢复的深度神经网络模型 Deep WaveNet，采用多重上下文特征和注意力跳过机制，有效地解决了水下环境中波长不对称性引起的色彩失真问题。文中实验证明，该模型在多个高级视觉任务方面表现优于已有模型，并且开源代码。

    Jun, 2021

  • s-LWSR：超轻量级超分辨率网络

    通过建立信息池、使用压缩模块和去除激活层，本文提出了一个超轻量级的超分辨率网络 s-LWSR，以减少参数数量和操作次数，在保持性能的同时，在移动设备上部署 DL-SR 模型时具有明显的优势。

    Sep, 2019

  • UWFormer：一种基于半监督多尺度 Transformer 的水下图像增强方法

    该研究通过使用多尺度转换网络和半监督学习，提出了一种用于增强多频率图像的方法，通过非线性频率感知注意机制和多尺度融合前馈网络进行低频增强。此外，还引入了一种专门的水下半监督训练策略，提出了一个水下感知损失函数以生成可靠的伪标签，实验证明该方法在数量和视觉质量方面优于现有的水下图像增强方法。

    Oct, 2023

  • LSKNet: 一种面向遥感的基础轻量级骨干网络

    该研究考虑了远程感知场景中的先验知识，并提出了轻量级大型选择性核网络（LSKNet）作为其骨干网络。LSKNet 能够动态调整其大空间接受野，以更好地建模远程感知场景中各种对象的范围背景。通过在常规远程感知分类、目标检测和语义分割基准上取得了新的最先进成绩，进一步验证了所识别的先验知识的重要性和 LSKNet 的有效性。

    Mar, 2024