- DiffHarmony:潜在扩散模型与图像融合
本研究旨在解决图像融合的问题,通过调整图像的前景与背景以达到统一的视觉一致性。研究采用预训练的潜在扩散模型生成和初步处理模糊的初始图像,通过两种策略(在推理过程中利用高分辨率图像和引入额外的优化阶段)进一步提高初步处理后图像的清晰度,并通过 - PHNet:基于补丁的人像协调化归一化
利用基于补丁的调和网络和基于统计色彩转移的特征提取器实现补丁特征归一化块,并在图像调和中取得优异的结果。
- 医学图像协调性基准化的定量度量
图像协调是处理医学图像中不同机器和扫描协议引起的领域转变的重要预处理策略。然而,由于缺乏广泛可用的标准数据集和基准,评估协调技术的有效性一直是一个挑战。在这个背景下,我们提出了三个指标:两个用于图像强度协调的指标和一个用于维持解剖结构的指标 - IGUANe: 用于多中心脑部 MR 图像协调的可泛化的 3D CycleGAN
通过引入 IGUANe(具有统一对抗网络的图像生成)方法,该研究使用深度学习方法来解决 MRI 研究中来自多个采集地点的图像数据聚合引入的类内变异性问题,从而实现多中心脑部 MR 图像的协调。
- 分割任意物体模型与图像融合
本文提出了一种利用语义分割地图指导前景和背景特征的视觉一致性学习的方法,称为语义引导的区域感知实例标准化(SRIN),并且通过丰富的实验验证了该方法在图像协调中的优越性。
- 光照感知合成的内在协调
本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法,通过估计中级视觉表征生成的大体阴影,再通过网络对其进行修正以生成与背景场景一致的协调再阴影,结合先前协调方法的思想,在色调域中执行参数化图像编辑,实现前景与背景的颜色外观匹配,并通 - MM双色空间下的深度图像融合
本文研究了基于双色彩空间的图像协调方法,将混合的 RGB 特征与解开的 Lab 特征相结合,减轻协调过程中的负担。网络包括一个 RGB 协调主干,一个 Lab 编码模块和一个 Lab 控制模块。
- ICCV全局引导特征转化与关系蒸馏的深度图像和谐化
给定一个复合图像,图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善,并将前景 - 背景关系从真实图像转移到复合图像,为转换的编码器特征提供中间监督。此外,我们贡献了一个模拟自然照明变化的 ccHarm - ICCV可学习的增强深度图像融合
图像协调的目标是调整复合图像中前景的外观,使整个图像协调一致。我们通过探索可学习的增强方法,丰富小规模数据集的光照多样性,以提升协调性能。实验表明,我们提出的可学习增强方法对图像协调具有有效性。
- 基于生成模型的零样本图像协调
该文提出了一种零样本图片和谐方法,该方法利用了人类长期对和谐图片的先验知识,并通过预训练的生成模型来实现先验,同时引入注意力约束文本来指导和谐方向,并设计一定的方法来保持前景内容结构。实验表明了该方法的有效性。
- 扩散模型下的图像融合
通过应用扩散模型,我们比较了两种条件性扩散模型 (Classifier-Guidance 和 Classifier-Free) 在处理前景图像的亮度和颜色调整,从而达到与背景无缝融合的视觉效果,提出了一种新的图像和谐化方法。
- 学习面向全局的图像协调的核函数
提出了一种全局感知的 Kernel 网络方法,它可以使用长距离背景参考全面地调整局部区域,从而更好地解决图像和谐化的问题。实验结果表明,该方法在图像和谐化方面表现出卓越性能。
- BlindHarmony: 通过流模型实现 MR 图像的盲调和
本研究提出了一种称为 “盲协调” 的新概念,利用目标领域的数据进行训练但仍具有协调看不见领域图像的能力,为此我们开发了 BlindHarmony 技术,利用目标领域数据进行训练的无条件流模型。实验结果显示 BlindHarmony 在模拟和 - CVPRLEMaRT: 标签效率屏蔽区域变换用于图像融合
本文介绍了一种简单而有效的自监督预训练方法,可以利用大规模未注释的图像数据集进行图像协调。首先,利用我们的标签效率遮蔽区域变换(LEMaRT)流水线在线生成预训练数据,然后我们通过从受干扰的图像恢复原始图像来对图像协调模型进行预训练。其次, - AAAI双域绘画风格图像融合
该研究提出了一种新颖的画风图像融合网络,由双域生成器和双域判别器组成,通过在空间域和频率域中使用 AdaIN 模块和 ResFFT 模块,进行融合并在拒绝感知机制中优化结果,在基准数据集上进行了广泛的实验并表明了该方法的有效性。
- 分层动态图像调和
本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理,该网络通过局部动态和面具感知全局动态,从本地到全局视角自适应模型参数和特征改变,以实现更好的特征转换和全局调和。
- Harmonizer: 学习执行白盒图像和视频协调
将图像合成执行为图像级回归问题,使用神经网络预测滤镜参数,结合高效的白盒滤镜逼真地生成合成图像,实现了高分辨率图像的快速处理,稳定且优于现有方法的多个实验效果,并在视频合成中成功应用。
- CVPRSCS-Co: 自洽风格对比学习用于图像协调
提出了一种自洽的风格对比学习策略(SCS-Co)和基于注意力背景的自适应实例标准化方法(BAIN),通过多个负样本和前景自我样式和前景背景样式一致性的两个方面,在风格表示空间中规范化生成的和谐图像,从而实现图像协调,进一步取得了优于其他现有 - CVPR基于协作双重变换的高分辨率图像融合
本研究提出了一种高分辨率图像融合网络,其中结合了像素到像素变换和 RGB 到 RGB 变换,通过低分辨率像素生成器、颜色映射模块和细化模块进行协同工作,旨在解决高分辨率图像合成中的多个问题,且效果明显。
- 高效、高分辨率图像融合的空间分隔曲面渲染网络
本研究提出一种名为 S$^2$CRNet 的高效高分辨率图像和谐化神经网络,其使用空间分离的嵌入和曲线渲染模块来生成参数,并在合成图像和真实图像测试集上取得了最佳表现。