DenoDet: SAR 图像目标检测的注意力可变多子空间特征去噪方法
本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network(HDANet)方法,通过数据对齐框架增强了特征的因果性和鲁棒性,展现了在多种 SAR 的目标和环境变量中的高鲁棒性。
Apr, 2023
SAR 影像消斑技术的新方法 R-DDPM,基于生成模型,通过区域去噪扩散概率模型实现了多尺度合成孔径雷达(SAR)影像的消斑,具有优于现有方法的卓越性能。
Jan, 2024
基于 DETR 的动态自适应多光谱检测变压器 (DAMS-DETR) 可通过融合红外和可见光图像的互补信息来实现全天候、稳健的物体检测,同时解决高动态变异的互补特征和常见的模态错位问题。
Mar, 2024
本文提出了一种新颖的空间自适应去噪网络(SADNet),使用卷积神经网络,设计了残差空间自适应块,在采样时引入可变变形卷积以加权样本的空间相关特征,并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息,通过从粗到细的噪声去除,可以获得高质量的无噪声图像。在实验结果中,我们的方法在量化和视觉上均优于现有的去噪方法。
Jan, 2020
本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet),在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估,表明 RIDNet 在定量指标和视觉质量上均具有优越性。
Apr, 2019
本文提出了一种基于 Transformer 的深入展开高光谱图像去噪方法 —— 降噪 - 噪声感知展开网络 (DNA-Net), 其使用 U-Shaped Local-Non-local-Spectral Transformer (U-LNSA) 捕获了光谱相关性、局部内容和非局部依赖性。实验结果表明,DNA-Net 优于目前最先进的方法,并且噪声分布的建模对于噪声严重的情况有所帮助。
May, 2023
设计了一种新的两阶段渐进残差密集注意力网络(TSP-RDANet)进行图像去噪,通过两个子任务逐步去除噪声,其中使用残差密集注意力模块(RDAM)和混合扩张残差密集注意力模块(HDRDAM)来设计两个基于注意力机制的去噪网络,以增强去噪效果。实验证实,与众多最新方法相比,所提出的 TSP-RDANet 在合成和真实噪声图像去噪方面取得了有利的结果。
Jan, 2024
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
本文提出了一种谱增强矩形 Transformer 用于处理高光谱图像去噪问题,该方法利用矩形 self-attention 捕捉空间域中的非局部相似性和全局光谱低秩特性,设计了谱增强模块来提取空间光谱立方体的全局低秩特性以抑制噪声,实验结果表明该方法在客观指标和主观视觉质量上都具有有效性。
Apr, 2023
提出了一种混合的空间 - 光谱去噪网络 (HSSD),该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络,以高效地捕获本地和非本地空间细节,同时抑制噪声,从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题,并采用简单但有效的分离策略降低了计算复杂性,通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明,我们提出的方法在空间和光谱重建方面优于最先进的方法。
Jun, 2024