本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法,旨在避免“固定”模型对于固定难度级别的训练。实验表明,在四个图像修复任务上,本算法均优于传统训练和课程学习替代方案。
Dec, 2016
本文提出了一种利用降噪、去模糊等各种图像退化类型的可控视觉提示符来实现图像恢复的通用模型 ProRes,该模型可以简单调节以适应新任务,并且在控制和自适应性能方面比特定任务的方法更具竞争力。
Jun, 2023
本研究中,我们提出了一种全能图像恢复网络,能够处理多种退化问题,通过学习神经退化表示(NDR)来解决多种退化数据的挑战,进一步结合退化查询模块和退化注入模块,实现了多种退化的全能恢复能力,同时采用双向优化策略来驱动NDR学习退化表示,我们的实验证明了该方法的有效性和泛化能力。
Oct, 2023
基于Prompt-In-Prompt学习的图像修复模块(PIP)可以通过高效、易用的方式提升现有的图像修复模型,在图像去噪、去雨、去雾、去模糊和低光增强等多个任务上展现出卓越性能,且具备可解释性、灵活性和潜在的真实世界应用潜力。
Dec, 2023
使用大规模训练数据的预训练模型在各种高层次的计算机视觉任务中表现出色,但在低层次的图像修复任务中的潜力仍未得到充分探索。本文通过引入一个名为Pre-Train-Guided Refinement Module (PTG-RM) 的轻量级模块,使用预训练模型的特征优化目标图像修复网络的修复结果,并通过各种实验验证了其在降噪、去雨、去模糊和低光照增强等任务中有效提升修复性能。
Mar, 2024
通过DyNet动态网络设计的全能图像恢复任务模型,结合权重共享机制和动态预训练策略,在图像去噪、去雨和去雾等多种任务上取得了最新的成果,同时比基准模型减少31.34%的GFlops与56.75%的参数。
Apr, 2024
本文提出了一种高效的基于图像补丁学习的框架,仅需一个图像输入输出对进行训练,实验证明该方法适用于监督式图像去模糊和超分辨率任务,并显著提高了学习模型的样本效率、泛化能力和时间复杂度。
提出了一种高效的全能图像修复器DaAIR,使用低秩模型DaLe来协同挖掘不同退化中共享的特征和细微差别,生成具有退化感知的嵌入,实现了全面和特定学习的统一模型。通过动态分配模型容量给输入的退化,达到了高效的修复效果。与现有的全能模型和特定退化模型相比,展示了优异的性能和实用性。
May, 2024
通过扩散模型基于预训练的视觉语言模型提取视觉提示,我们提出了Diff-Restorer通用图像修复方法,以去除降级同时生成高感知质量修复结果,并通过全面的定性和定量分析展示了我们的方法的效果和优越性。
Jul, 2024
通过整合大型多模态语言模型(MMLMs)的通用先验知识和预训练扩散模型,提出了大型模型驱动的图像恢复框架(LMDIR),旨在处理各种退化类型并支持自动和用户引导的恢复,从而在多个评估基准上优于现有方法。