May, 2024

基于任务自适应路由的一体化医学图像恢复

PDF
TL;DR提出了一种任务自适应路由策略的全能医疗图像恢复网络，实现了状态 - of-the-art 性能在 MRI 超分辨率、CT 降噪和 PET 合成等三个医疗图像恢复任务中。
发现论文，激发创造
  • 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

  • 实现有效的多合一图像恢复：一种顺序和迅速学习策略

    本研究探讨了多个任务的图像恢复问题，提出了解决不同目标优化和适应性的策略，即顺序学习和提示学习，在 19 个测试集上得出了这些策略能够显著提高普通 CNN 和 Transformer 模型的综合性能，为训练具有更高泛化能力的图像恢复模型提供了新的理论和方法。

    Jan, 2024

  • 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

  • Restorer: 使用一组参数解决多个图像恢复任务

    通过 Transformer 网络 Restorer，我们设计了一种综合有效的解决方案，能够在去雨、去雪、去雾、去模糊等多种图像修复任务中展现国际领先或可比较的性能，并且在推理时速度更快。

    Jun, 2024

  • 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

  • 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

  • 遵循人类指令的高质量图像修复

    使用人类编写的指令指导图像修复模型，InstructIR 能从多种退化类型的图像中恢复高质量图像，包括图像去噪、去雨、去模糊、去雾和低光图像增强等多个恢复任务，并在这些任务上实现了最新的结果，此方法还提供了一个新的基准，用于文本指导的图像修复和增强的研究。

    Jan, 2024

  • 动态预训练：高效可扩展的一体化图像恢复

    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。

    Apr, 2024

  • 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

  • 基于稳健 DINO 特征的多任务图像修复

    我们引入 DINO-IR，一种新颖的多任务图像修复方法，利用从 DINOv2 提取的稳健特征，通过使用浅层特征捕捉低级图像特征、深层特征保证鲁棒语义表征且不敏感于退化、并使用专门的组件进行特征集成，包括多层语义融合模块、DINO-Restore 调适与融合模块以及 DINO 感知对比损失，该方法在各种任务上优于现有的多任务图像修复方法，凸显了增强鲁棒特征对于多任务图像修复的优越性和必要性。

    Dec, 2023