基于任务自适应路由的一体化医学图像恢复
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
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
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
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
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
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
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
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
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