Jun, 2024

AdaRevD: 自适应图像去模糊技术中推动可逆解码极限的改进补丁退出方法

PDF
TL;DR本篇论文介绍了 AdaRevD 方法，通过继承已经训练好的编码器的权重，重新设计了可逆解码器，用于提升图像去模糊的效果，解决了现有方法解码能力的限制，并通过逐渐分离高级退化程度和低级模糊模式来提高模型的性能。同时，通过引入分类器来学习图像块的模糊程度，实现了不同子解码器对图像块进行快速处理，实验证明了 AdaRevD 在图像去模糊方面的极限。
发现论文，激发创造
  • 自适应补丁退出用于可扩展的单图像超分辨率

    本文提出了基于自适应补丁退出（APE）的可伸缩方法来实现更实际的加速。我们首先建议训练回归器来预测各个层的增量容量，一旦增量容量低于阈值，特定层上的补丁可以退出。此外，我们提出了一种新的策略来实现网络训练。通过不同的阈值设置，我们的方法可以轻松调整性能和效率的折衷。在各种主干，数据集和缩放因子上进行了广泛的实验证明了我们方法的优点。

    Mar, 2022

  • 深度堆叠分层多补丁网络用于图像去模糊

    提出一种深度分层多块网络方法解决运动模糊的问题，该方法在处理 720p 图像时拥有 40 倍的加速，是首个实时的深度运动去模糊模型，并且在不同深度下适用于不同的应用场景，可以有效地避免性能饱和问题。

    Apr, 2019

  • 面向运动自适应去模糊的空间注意力补丁分层网络

    该研究提出了一种用于处理动态场景运动去模糊的有效像素自适应和特征关注设计，并使用有效的内容感知全局 - 局部过滤器模块，通过动态利用相邻像素信息和全局依赖性来显著提高性能，从而 surpassed 其他先前的去模糊方法。

    Apr, 2020

  • 具有自适应采样的空间注意力分层网络用于运动去模糊

    该研究论文提出了一种处理动态场景运动去模糊问题的方法，通过像素自适应和特征注意设计以及内容感知的全局 - 局部滤波模块和像素自适应的非均匀采样策略，在去模糊的基准测试中与现有方法进行了广泛的定性和定量比较，取得了优异的性能。

    Feb, 2024

  • 基于块降噪扩散模型的恶劣天气条件下视觉恢复

    基于概率模型的图像修复算法，通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能，并且在实际测试图像方面具有很强的泛化性能。

    Jul, 2022

  • 单图像去噪的空间自适应网络

    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

  • 利用空洞空间金字塔可形变卷积和去模糊 - 重模糊一致性进行盲非均匀运动去模糊

    本文提出了基于多层膨胀空洞金字塔可变卷积（ASPDC）模块的新型体系结构，以实现更灵活的图像冲击恢复。最终结果表明，该方法在基准数据集上优于现有的其他方法。

    Jun, 2021

  • 协作式盲图像去模糊

    利用卷积神经网络协同处理不同模糊下的图像补偿，以提高图像清晰度和质量。

    May, 2023

  • DeblurDiNAT: 图像去模糊的轻量级有效的 Transformer

    我们提出了一种紧凑的编码器 - 解码器 Transformer 模型 DeblurDiNAT，旨在高效地从现实世界的模糊图像中恢复清晰图像。通过采用交替的空洞因子结构和通道调制的自注意力块 (CMSA)，以及快速特征传播的径路和乘法前馈网络 (DMFN)，并使用轻量级的门控特征融合 (LGFF) 模块，我们在多个图像去模糊数据集上取得了最先进的性能。相比最近的竞争者，我们的方法在参数数量减少 3%-68%、可节省时间的同时，产生了更接近真实图像的去模糊结果。

    Mar, 2024

  • 高效单图像去雾的特征传递

    本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

    Apr, 2019