Jun, 2024

AMSA-UNet：一种基于自注意力的非对称多尺度 U-Net 用于去模糊

PDF
TL;DR提出了一种基于自注意力的不对称多尺度 U 型网络（AMSA-UNet）来提高去模糊的准确性和计算复杂度，通过引入多尺度 U 形结构，在全局层面关注模糊区域，在局部层面更好地恢复图像细节；在解码器部分引入自注意力机制，显著增加了模型的感受野，使其对图像的语义信息更加关注，从而产生更准确和视觉上令人愉悦的去模糊图像；同时，引入了基于频域的计算方法来减少计算量。实验证明，与八种优秀方法相比，所提出的方法在准确性和速度方面都有显著提升。
deblurringspatial informationmultiple-scales u shape architectureself-attention mechanismfrequency domain-based computation method
发现论文，激发创造
  • AMMUNet: 遥感图像分割的多尺度注意力地图融合

    AMMUNet 是一种基于 UNet 的框架，通过多尺度注意力图合并实现全局建模，用于精确的遥感语义分割，并取得了优越的性能。

    Apr, 2024

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • BANet: 模糊感知的动态场景去模糊的注意力网络

    Blur-aware Attention Network (BANet) 通过使用区域自注意力和多核带池来分离不同大小和方向的模糊模式，以及级联并行膨胀卷积来聚合多尺度内容特征，提供了单次前向传递的精确和高效的去模糊，实验证明与当前技术相比，在模糊图像恢复方面表现良好，并且可以实时提供去模糊结果。

    Jan, 2021

  • 单图像去噪的多尺度自适应网络

    本文提出了一种基于多尺度自适应网络的单张图像去噪方法 (MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征，并提出了自适应特征块 (AFeB), 自适应多尺度块 (AMB) 和自适应融合块 (AFuB) 进行实现，并在多组图片去噪实验中展现出比传统方法更好的表现。

    Mar, 2022

  • MSSNet：用于单幅图像去模糊的多尺度级联网络

    本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

    Feb, 2022

  • DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

    本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

    Feb, 2022

  • SA2-Net：用于显微图像分割的尺度感知注意力网络

    提出了一种名为 SA2-Net 的方法，利用多尺度特征学习来有效处理微观图像中的不同结构，通过尺度感知注意力模块实现对微观区域的准确分割，并通过自适应上采样模块解决了模糊边界的问题。

    Sep, 2023

  • AMNet: 深层空洞多尺度立体视差估计网络

    本文提出了一种新的深度学习架构 ——Atrous Multiscale Network（AMNet）用于立体视差估计，AMNet 采用了有效的特征提取器，并且能够在深度特征上部署新的立体匹配代价，其提出了堆叠式 Atrous Multiscale 网络来聚合来自代价体积的丰富多尺度语境信息，可在多种尺度上高精度地估计视差。此外，本文提出了一种迭代式多任务学习方法来训练前景 - 背景感知 Atrous Multiscale 网络（FBA-AMNet），并且表明 AMNet 和 FBA-AMNet 在具有挑战性的 Middlebury，KITTI 2012，KITTI 2015 和 Sceneflow 立体视差估计基准测试中具有高精度的视差估计。

    Apr, 2019

  • 基于神经结构搜索的多尺度注意力图像去雨网络

    提出了一种高性能的多尺度注意力神经结构搜索（MANAS）框架，通过梯度搜索算法自动搜索内部多尺度注意力架构来构建功能强大的图像去雨网络，并采用多种损失函数联合优化来实现图像去雨的性能和可控模型复杂度。

    Jul, 2022

  • 使用不确定性引导的多流语义网络去模糊面部图像

    该文章提出了一种新的多流架构和训练方法，利用语义标签进行面部图像去模糊。本文提出的不确定性引导多流语义网络（UMSN）独立处理属于每个语义类别的区域，并学习将它们的输出组合成最终的去模糊结果。此外，在训练期间，使用预测的置信度度量来引导网络进入人脸的挑战性区域。与现有最先进的面部去模糊方法相比，综合三个不同的面部数据集的实验证明，所提出的方法取得了显著的改进。

    Jul, 2019