Jun, 2024

警惕别名 - 信号保留对于强健的图像恢复至关重要

PDF
TL;DR通过在传统的重建变压器中提供无混叠路径，BOA-Restormer 是一种基于变压器的图像恢复模型，能够同时改善模型稳健性和恢复性能。
image restoration networksencoderdecoderalias-free pathsfrequency domain
发现论文，激发创造
  • Restormer: 高分辨率图像修复的高效 Transformer 模型

    本文提出了一种名为 Restoration Transformer 的有效 Transformers 模型，通过几个关键设计，使其能够捕捉长距离像素交互，同时仍适用于大图像，在图像去噪、去模糊和降雨方面达到了最先进的效果。

    Nov, 2021

  • 残差网络的有效抗锯齿方法

    通过在关键位置上放置不可训练的模糊滤波器和使用平稳激活函数来缓解频率混叠现象，这些简单的架构更改在图像分类和识别上产生了显著的提高，并且没有引入额外的可训练参数。

    Nov, 2020

  • 关于图像恢复任务中 Transformer 的不合理脆弱性及其简单修复方法

    通过对图像修复任务中的 Vision Transformers（ViTs）进行实验，发现其在对抗性攻击方面的性能较差，通过对 Restormer 等模型进行对抗性训练可以提高鲁棒性。

    Jul, 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

  • 单帧大气湍流抑制：基准研究与一种新的物理启示 Transformers 模型

    本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真，利用该模型可以提取动态湍流失真图并恢复无失真图像，并收集了两个现实世界的湍流数据集，用经典数据和一种新的任务驱动度量来进行评估。

    Jul, 2022

  • 深度卷积网络中混淆对泛化的影响

    本文研究了深度卷积网络中混叠对泛化性能的影响，并表明数据增强方案由于所使用的结构存在结构性限制而无法防止其影响。通过从频率分析理论中获得了启发，我们对 ResNet 和 EfficientNet 架构进行了更深入的研究，评估了它们各自主要组成部分中混叠和信息丢失之间的权衡。我们展示了如何通过在关键位置插入非可训练低通滤波器来减轻混叠，特别是在网络缺乏学习它们的能力的地方。这些简单的架构改变在 i.i.d. 和分布之外条件下显着提高了泛化性能，例如在 ImageNet-C [11] 上的自然破坏的图像分类和 Meta-Dataset [26] 上的小样本学习。在不引入额外的可训练参数和使用开源代码库的默认超参数的情况下，两个数据集都取得了最先进的结果。

    Aug, 2021

  • 使用增强视觉 Transformer 进行图像重建

    本文提出了一个基于 Vision Transformer (ViT) 的图像重构框架，利用 4 种优化技术和生成对抗网络（GANs）启发的对抗性损失函数，用于图像去噪和修复，实验表明该框架在结构相似性（SSIM）方面比 U-Net 模型高出超过 3.5％，对于这两个任务，提议的增强算法进一步展示了超过基准的 extasciitilde5％SSIM 的改进。

    Jul, 2023

  • 基于 CNN 和 Transformer 的全功能图像修复

    本研究提出了一种基于数据要素导向的方法，通过利用基于提示的学习来实现单模型高效处理多种图像退化任务，结合卷积神经网络和 Transformer 模块的属性对高质量图像修复进行建模，并引入特征融合机制来改善聚合特征，所得到的 CAPTNet 架构能够处理不同类型的退化情况，在大量实验证明与专门的算法相比具有竞争性的表现。

    Sep, 2023

  • 图像修复的多级编码器 - 解码器架构

    本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

    May, 2019

  • Noise2Noise: 没有清洗数据的学习图像恢复

    本文通过基础的统计推理，发现仅通过研究受损样本可以学习恢复图片，无需外部信息，仅基于含噪数据一个模型能解决多种图像重建问题，包括消除照片噪点和去噪等。

    Mar, 2018