- 自动海岸线检测的边缘检测评估指标的有效性
我们分析了用于自动海岸线检测的边缘检测算法的有效性,通过评估 RMSE、PSNR、SSIM 和 FOM 等评估指标,发现 FOM 是选择最佳阈值的最可靠指标。相对于 RMSE、PSNR 和 SSIM,在这次实验中,FOM 在 92.6% 的 - AAAINightRain:夜间视频除雨基于自适应除虹和自适应校正
该研究介绍了 NightRain,一种新颖的夜间视频去雨方法,使用自适应去雨和自适应校正来处理复杂的光效影响,通过使用无标签雨天视频进行训练,达到了超越现有方法的卓越性能,PSNR 值为 26.73dB,超过了其他方法 13.7% 的幅度。
- 提升视频上色的测试时间调校
通过测试时间调整,我们提出了一种有效的方法来增强视频彩色化的性能,利用参考帧构建额外的训练样本,相比基准线,在平均 PSNR 上实现了 1~3 dB 的性能提升。
- 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。
- Restormer-Plus 用于实际图像去雨:GT-RAIN 挑战赛的最新解决方案(CVPR 2023 UG$^2$+ 赛道 3)
Restormer-Plus 是一种先进的图像处理方法,包含了四个模块:单张图像去雨模块、中值滤波模块、加权平均模块、后处理模块,可用于提高图像亮度和去除雨水等任务。该方法已在 GT-RAIN Challenge 中获得最高峰值信噪比(PS - CVPRBicubic++: 超分辨率网络的工业级设计
我们提出了一种实时和轻量化的单图像超分辨率网络 Bicubic++,通过在整个网络中利用输入图像的空间维度,Bicubic++ 首先学习图像快速降级和低分辨率特征,以减少计算量,并构建一个训练管道,在其中应用卷积层的全局结构修剪而不使用度量 - 利用隐式局部似然模型提高神经图像压缩的统计保真度
通过引入一种非二元鉴别器,该鉴别器是通过 VQ-VAE 自编码器获得的量化局部图像表示进行调整的,本文在 CLIC2020、DIV2K 和 Kodak 数据集上的评估表明,我们的鉴别器比最先进的 HiFiC 模型更有效地联合优化失真(例如, - ECCV2022 年 AIM 挑战赛:Instagram 滤镜去除方法与结果
本文介绍了 AIM 2022 挑战赛关于 Instagram 滤镜去除的方法和结果,对应用深度学习策略、去除滤镜产生负面影响的问题进行了研究和解决,基于 PSNR 指标对 9 个团队提出的方案进行了比较分析,得出定性结果。
- ECCVHST: 基于层次化 Swin Transformer 的压缩图像超分辨率方法
本论文通过采用分层 S 在变压器网络以及预训练超分辨率任务获得的特征表示,提出了一种新的压缩图像超分辨率(Compressed Image Super-Resolution,CISR)模型 HST,并且通过与不同的预训练任务(如双三次插值和 - NTIRE 2022 立体图像超分辨率挑战赛:方法和结果
本文总结了第一届 NTIRE 立体影像超分辨率挑战赛,该挑战赛通过标准双三次降采样实现了在立体影像超分辨率问题上的新解决方案和结果,最终有 21 个团队参加了测试,其中 20 个团队的 PSNR (RGB) 得分优于基准线,该挑战赛为立体影 - 无监督降噪学习的最优输运
本文提出了一种基于最优传输理论的无监督去噪学习标准,该标准具有优秀的性质,能够实现近乎完全保留信号信息并实现感知重构。实验结果表明,该方法比监督方法具有更好的感知重构和更高的峰值信噪比,尤其在复杂噪声等恶劣实际条件下表现出卓越的优越性。
- 基于加权模糊的 PSNR 评价方法在水印应用中的研究
本文提出了一种基于人眼视觉系统的加权模糊评价标准,对于水印应用场景的图像质量评估具有更高客观性和准确性,实验证明该标准显著优于传统 PSNR 标准。
- AIM 2020 高效超分辨率挑战:方法与结果
本文回顾了 AIM 2020 挑战赛中关于高效单图像超分辨率的提出的解决方案和结果,挑战任务是基于一组低分辨率图像和相应的高分辨率图像的先前实例对输入图像进行 4 倍放大的超分辨率,目标是确保至少保持 MSRResNet 的 PSNR 的同 - OpenDVC: DVC 视频压缩方法的开源实现
本技术报告介绍了 Deep Video Compression (DVC) 方法的开源 Tensorflow 实现。我们提供了优化后的 PSNR 实现,并在原实现基础上提供了更加可信的 MS-SSIM 优化实现。同时,我们公开了 OpenD - 一点点更多:逐层逐位恢复的二值图位深
本研究提出了一种位平面逐层逼近的训练和推理策略,利用深度神经网络恢复图像的丢失位深,通过多层的监督,使用简单的网络结构,在几个图像数据集上获得了先进的结果。
- CVPR光场图像超分辨率的空间 - 角度交互
本文提出一种名为 LF-InterNet 的空间角度交互网络用于光场图像超分辨率,通过特征交互逐渐融合空间和角度信息。我们的方法在低计算成本下,能够以高 PSNR 和 SSIM 评分还原重构图像的细节,明显优于现有的超分辨率方法。
- AIM 2019 有约束超分辨率挑战:方法与结果
本文回顾了 AIM 2019 关于基于约束的单张图像超分辨率的挑战,主要关注提出的解决方案和结果,挑战有三个轨道,每个轨道都有数十个参与者,评估了单张图像超分辨率领域的最新技术水平。
- ICCV深度图像与核先验的图像反卷积
本文基于近期提出的深度图像先验方法 deep image prior,在图像去卷积中引入 kernel 先验方法,实验结果表明,该方法有助于提高学习无关的图像去卷积的性能,以 PSNR 和视觉效果为标准进行了六个标准测试图像的实验。
- 基于深度学习的卷积压缩感知框架 ConvCSNet
通过使用卷积神经网络(CNN)实现基于卷积的压缩感知(CS)框架,从而显着提高了图像重建的质量,而不仅仅是重新构建图像块,并基于自适应收缩基础上设计的 CS 重构网络,我们的方法不仅在 PSNR 方面,还在视觉质量方面优于以前的 CS 方法 - ICCV使用全卷积网络进行快速图像处理
使用全卷积网络进行运算符逼近可以显著提高逼近精度,降低运行时间和内存开销。在输入输出对上的训练可以将原始运算符逼近,并且可以对多种不同的高级图像处理运算符进行逼近,包括多种变分模型、多尺度调节和明暗细节操作等。