Jun, 2024

基于低秩反卷积的快速无监督张量修复

PDF
TL;DR通过将 Low-rank Deconvolution（LRD）与微分正则化相结合，提出了一种在信号恢复任务中与 Deep Learning（DL）框架、如 Deep Image Prior（DIP）或 Blind-Spot Networks（BSN）以及其他经典方法相竞争的分析模型，该模型在图像降噪和视频增强等任务中表现出显著的性能，在同时性能较好的同时也拥有较小的计算消耗。
发现论文，激发创造
  • 使用低秩反卷积进行多维信号恢复

    本文提出了低秩反卷积，这是一个用于效率信号表示的低层特征映射学习的强大框架，适用于信号恢复，并在学习压缩视频表示和解决图像修复问题方面展现了其优势。

    May, 2023

  • 去噪扩散恢复模型

    本文提出了一种基于先前针对噪声扩散的生成模型的方法 DDPM，用于解决各种图像恢复问题，包括超分辨率，去模糊，填补和上色，相比于现有的非监督方法，DDRM 在重构质量，感知质量和运行时均表现出更好的性能。

    Jan, 2022

  • 基于全变差正则化深度图像先验的图像恢复

    本研究探索将传统的稀疏型正则化与深度图像先验（DIP）框架相结合，通过使用卷积神经网络（CNN）架构和传统的总变差（TV）正则化方法，证明了在图像去噪和去模糊等传统恢复任务中，引入 TV 会带来相当大的性能提升。

    Oct, 2018

  • 低位移秩学习压缩变换

    通过更一般化的位移操作，显式地学习两个位移算子和低秩分量，设计出一种新的 LDR 矩阵，并证明其在多层神经网络的 VC 维度上具有较好的界限，有效地降低模型复杂度。实验结果表明，该设计可以优于现有的压缩方法，并使用的参数数量比一般非结构化网络少 20 倍以上。

    Oct, 2018

  • 快速、轻量级恢复暗图像

    本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

    Nov, 2020

  • 图像反卷积的深度梯度下降优化学习

    我们提出了一种名为 Recurrent Gradient Descent Network 的深度优化方法，它使用超参数自由的更新单元和卷积神经网络来生成更新，从而学习了一种隐含的图像先验和通用的更新规则，从而在各种恶劣情况下，提高了图像恢复的质量。

    Apr, 2018

  • 基于黎曼梯度下降的低秩张量列车深度神经网络的开发及其在语音处理上的应用

    本文旨在设计复杂度低的混合张量网络，通过深入研究模型复杂度和实际性能之间的权衡，我们提出了低秩张量列深度神经网络（LR-TT-DNN）和利用卷积神经网络（CNN）与 LR-TT-DNN 相结合的混合模型 CNN +（LR-TT-DNN），并在语音增强和口语命令识别任务上进行评估。我们的实证研究证明，LR-TT-DNN 和 CNN +（LR-TT-DNN）模型能够以更少的模型参数表现得比 TT-DNN 和 CNN +（TT-DNN）更出色。

    Mar, 2022

  • 密集残差拉普拉斯超分辨率

    介绍了一种基于 Residual Laplacian Network 的超分辨率算法，利用多尺度特征，并实现了深度监督学习和 Laplacian attention 机制， 在低分辨率，噪声低分辨率和真实历史图像基准数据集上得到了较好的视觉和准确性表现。

    Jun, 2019

  • 使用顺序冻结和秩量化加速低秩分解网络的训练

    通过优化秩和顺序冻结分解层，本文提出的两种技术能够在保持准确度不变的前提下，提高模型的训练和推理速度达到 60% 和 37%。

    Sep, 2023

  • 动态 MRI 重建中的稳健深度线性误差分解：双重总变差和核范数

    本文提出了一种新的鲁棒低秩动态磁共振成像重建优化模型，通过高度欠采样和离散傅里叶变换（DFT），通过添加线性图像域误差分析，减少了噪声并增强了算法的抗干扰能力，在动态磁共振成像序列的空时特征和不同维度之间的互补关系上利用双重总变差（TV）和双重核范数（NN）正则化，实现了多维数据的重建精度和时间复杂度上的优于当前五种最先进方法的性能。

    Oct, 2023