- DDR:利用深度退化响应作为灵活的图像描述器
基于预训练网络提取的图像深层特征被认为包含丰富且信息量大的表达方式。本文介绍了一种名为 Deep Degradation Response(DDR)的方法,用于量化在不同降解条件下图像深层特征的变化。通过文本驱动的提示,我们的方法实现了灵活 - 通过将数据平滑与标签平滑耦合实现鲁棒分类
通过引入训练时增强技术来增强泛化能力和准备深度神经网络对测试时的错误。在图像损坏方面,借鉴生成扩散模型的成功,我们提出了一种新方法,将数据增强(通过图像加噪和模糊)与标签平滑结合起来,以使预测的标签置信度与图像退化相一致。该方法实施简单,引 - NTIRE 2024 野外图像恢复模型竞赛
该研究回顾了 NTIRE 2024 挑战赛中的图像恢复模型 (RAIM) 在野外的应用。该挑战建立了一个野外图像恢复的基准,包括真实应用中的各种场景中有 / 无参考真实图像。参与者需要恢复复杂和未知的退化的真实拍摄图像,期望在恢复结果中具有 - FDCE-Net:嵌入频域和双色编码的水下图像增强
我们提出了一种嵌入频域和双色编码器网络(FDCE-Net),通过利用频率空间残差块(FSRB)将水下图像的降解因素在频域中解耦并分别增强不同属性,同时引入双色编码器(DCE)以解决颜色偏移问题,并通过融合网络结合 FS-Net 和 DCE - CVPRTurb-Seg-Res:用于大气湍流动态视频的分割 - 恢复流程
本文介绍了一种用于恢复湍流环境中动态场景视频的首个先分割再恢复的流程。我们利用均值光流和无监督的运动分割方法,在恢复之前对动态和静态场景组件进行分离。经过相机抖动补偿和分割后,我们利用湍流强度统计和基于噪声的程序化湍流生成器上训练的转换模型 - 基于物理和数据驱动的水下图像模拟与残差学习
通过采用基于深度学习的架构,我们能够自动模拟水下图像的效果,通过数据驱动的方式推断其他未知因素导致的降级现象,以估计只有 RGB 图像可用的深度图像。通过与其他纯数据驱动方法的比较,我们通过复杂的图像生成模型成功地对该技术进行了定性和定量评 - 临床中的增强和适应:医学图像增强的无源无监督领域适应
提出了一种基于无源无监督领域适应的医学图像增强算法(SAME),通过利用测试数据进行适应和优化增强模型,并采用知识蒸馏技术来进行无源无监督领域适应,实验证明了该算法在医学图像增强中的显著性能提升和下游任务的好处。
- 学习无配对真实世界图像的多对多映射进行图像超分辨率和图像降采样
该论文提出了 SDFlow,一个将单幅图像超分辨率问题转化为无监督学习的模型,通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图 - ICCV常见光学像差对分类的稳健性
通过 OpticsBench 和 OpticsAugment 的实验证明了使用实际光学模糊效果进行数据增强可以提高深度神经网络的鲁棒性,这在计算机视觉中具有重要意义。
- DeepContrast: 使用合成数据退化和 OOD 模型预测进行深层组织对比增强
使用深度学习方法和神经网络,本研究提出了一种通过模拟深部组织图像退化来改善显微镜图像质量的方法,并发现在每次迭代中测量图像对比度不断提高的同时,显微图像中的细节结构会逐渐被移除,因此需要在对比度改善和图像细节保留之间找到平衡。
- Flare7K++: 夜间耀斑除去及其拓展的合成与真实数据集混合
本文介绍了 Flare7K++ 数据集和端到端管道,提供了消除夜间人工光源伴随光晕的可靠方法,并在此任务上推动前沿。
- 用于模糊图像分类的基于块的特征
本文提出了一种用于图像质量评估的低计算量轻量级分块特征方法,该方法可以区分模糊与清晰图像降级,并在开放数据集上实现了 90.1%的平均准确率。
- QC-StyleGAN -- 品质可控的图像生成与操作
本文提出了一种新的 GAN 结构 QC-StyleGAN,可以控制生成图像的质量以及处理低质量图像,包括去噪、去模糊、去压缩等。其基于 StyleGAN 家族模型,可以实现图像剪裁、转移、插值等应用。
- 野外瞎目人脸修复的 GAN 预测嵌入网络
该研究提出了一种将基于生成对抗网络的高质量人脸图像生成器嵌入到 U 型深度神经网络中的盲目人脸修复方法,其能更好地控制全局脸部结构、局部面部细节和背景,并在野外环境下显著提高盲目人脸修复的效果。
- CVPR通过动态跳跃连接网络消除屏下摄像头中的衍射图像伪迹
本文旨在研究解决 Under-Display Camera 系统中由于半透明有机发光二极管像素阵列所引起的图像质量降低问题。通过定义基于物理的图像形成模型来帮助理解图像降低的机制。同时,提出了域知识启发的动态跳跃连接网络(DISCNet)以 - AAAI降级即升级:学习退化以提升低光图像
本研究提出了一种新的 Degradation-to-Refinement Generation Network(DRGN),通过两个步骤研究自然低光图像中的 intrinisic degradation 和 diffuse illumina - ICML模式引导的整合梯度
本研究将 Integrated Gradients 和 PatternAttribution 两种神经网络可解释性方法相结合,形成了 Pattern-Guided Integrated Gradients (PGIG) 方法,并在大规模图像 - CVPR模糊、噪声和压缩鲁棒性生成对抗网络
提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN),它可以在不知道降解参数的情况下直接从退化图像中学习干净图像,同时适用于不可逆降解,例如模糊、压缩和混合。该算法通过掩码架构调整数据 - AIM 2019 实景图像超分辨率挑战:方法和结果
本文评估了 AIM 2019 关于真实世界中的超分辨率的挑战,着重于参与方法和最终结果,对源域和目标域的图像进行超分辨率处理,挑战了真实世界中缺少高低分辨率图像对训练的数据,并构造了一些现实的图像退化用于源输入图像及量化评估.
- CVPR相机镜头超分辨率
研究了基于摄像头镜头的 CameraSR 方法,旨在改善实际成像系统中分辨率(R)和视野范围(V)之间的固有平衡问题,并提出了两种新的数据采集策略, City100 数据集表明, CameraSR 具有提高单图超分辨率性能的实际解决方案,并