国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

<b id="rvro1"></b>

Learning Enriched Features for Fast Image Restoration and Enhancement 論文閱讀筆記

2年前作者：sysu_first_yasuo分類：Toy博客閱讀(18)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了Learning Enriched Features for Fast Image Restoration and Enhancement 論文閱讀筆記。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

Learning Enriched Features for Fast Image Restoration and Enhancement 論文閱讀筆記,論文閱讀筆記,論文閱讀,筆記

這是2022年TPAMI上發(fā)表的大名鼎鼎的MIRNetv2，是一個(gè)通用的圖像修復(fù)和圖像質(zhì)量增強(qiáng)模型，核心是一個(gè)多尺度的網(wǎng)絡(luò)
網(wǎng)絡(luò)結(jié)構(gòu)整體是殘差的遞歸，不斷把殘差展開可以看到是一些殘差塊的堆疊。核心是多尺度的MRB。網(wǎng)絡(luò)用的損失函數(shù)樸實(shí)無華：
MRB的核心是RCB和SKFF兩個(gè)模塊，先介紹SKFF，它是用來融合多尺度特征圖的，如下所示。這里的特征圖是已經(jīng)上采樣到相同尺度了，相加做一個(gè)global average pooling和全連接層后，分成兩個(gè)向量，各自再全連接層一次，然后softmax歸一化使得兩個(gè)向量的加和處處為1，然后進(jìn)行通道加權(quán)后相加。
RCB模塊如下圖所示，具體做什么都能看懂，其實(shí)就是卷積加提取了一個(gè)C維的通道偏置
訓(xùn)練的時(shí)候使用了progressive training，先用小patch訓(xùn)練，慢慢增大patch size
實(shí)驗(yàn)結(jié)果（我只關(guān)注暗圖增強(qiáng)）可以看到PSNR還是蠻高的，視覺效果也不錯(cuò)：
啟發(fā)是，一個(gè)高性能的網(wǎng)絡(luò)，用簡(jiǎn)單的距離損失函數(shù)進(jìn)行有監(jiān)督訓(xùn)練，能夠產(chǎn)生很好的增強(qiáng)結(jié)果文章來源地址http://www.zghlxwxcb.cn/news/detail-568699.html

到了這里，關(guān)于Learning Enriched Features for Fast Image Restoration and Enhancement 論文閱讀筆記的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

ExposureDiffusion: Learning to Expose for Low-light Image Enhancement論文閱讀筆記
南洋理工大學(xué)、鵬城實(shí)驗(yàn)室、香港理工大學(xué)在ICCV2023發(fā)表的暗圖增強(qiáng)論文。用diffusion模型來進(jìn)行raw圖像暗圖增強(qiáng)，同時(shí)提出了一個(gè)自適應(yīng)的殘差層用來對(duì)具有不同信噪比的不同區(qū)域采取不同的去噪策略。方法的框圖如下所示：一張raw圖片可以由信號(hào)和噪聲組成，其中信號(hào)是曝
2024年02月07日
瀏覽(26)
用于圖像恢復(fù)的圖像層次結(jié)構(gòu)的高效和顯式建模Efficient and Explicit Modelling of Image Hierarchies for Image Restoration
本文的目的是提出一種機(jī)制，在全局、區(qū)域和局部范圍內(nèi)高效、明確地對(duì)圖像層次結(jié)構(gòu)進(jìn)行建模，以進(jìn)行圖像恢復(fù) 。為實(shí)現(xiàn)這一目標(biāo)，我們首先分析自然圖像的兩個(gè)重要屬性，包括跨尺度相似性和各向異性圖像特征。受此啟發(fā)，我們提出了anchored stripe self-attention，它在
2024年02月06日
瀏覽(18)
A Unified Conditional Framework for Diffusion-based Image Restoration
Yi Zhang, CUHK, CN, arXiv2023, Cited:0, Code, Paper 最近，擴(kuò)散概率模型（Diffusion Probabilistic Models，DPMs）在圖像生成任務(wù)中表現(xiàn)出了非凡的性能，能夠生成高度逼真的圖像。當(dāng)將DPMs用于圖像恢復(fù)任務(wù)時(shí)，關(guān)鍵的一點(diǎn)在于如何整合條件信息，以引導(dǎo)DPMs生成準(zhǔn)確和自然的輸出，這在現(xiàn)有的研
2024年02月07日
瀏覽(26)
DiffIR: Efficient Diffusion Model for Image Restoration 利用擴(kuò)散模型進(jìn)行圖像重建
?我們提出了DiffIR，一種強(qiáng)大、簡(jiǎn)單、高效的基于擴(kuò)散模型的的圖像修復(fù)方法。與圖像生成不同的是，輸入圖像的大部分像素都是給定的。因此，我們利用DM強(qiáng)大的映射能力來估計(jì)一個(gè)緊湊的IPR（IR Prior Representation，圖像修復(fù)的先驗(yàn)表示）來引導(dǎo)圖像修復(fù)，從而提高DM在圖像修
2024年02月08日
瀏覽(22)
論文閱讀 | Restormer: Efficient Transformer for High-Resolution Image Restoration
前言：CVPR2022oral 用transformer應(yīng)用到low-level任務(wù) low-level task 如deblurringdenoisingdehazing等任務(wù)多是基于CNN做的，這樣的局限性有二：第一是卷積操作的感受野受限，很難建立起全局依賴，第二就是卷積操作的卷積核初始化是固定的，而attention的設(shè)計(jì)可以通過像素之間的關(guān)系自適
2024年02月05日
瀏覽(33)
Lightening Network for Low-Light Image Enhancement 論文閱讀筆記
這是2022年TIP期刊的一篇有監(jiān)督暗圖增強(qiáng)的文章網(wǎng)絡(luò)結(jié)構(gòu)如圖所示： LBP的網(wǎng)絡(luò)結(jié)構(gòu)如下：有點(diǎn)繞，其基于的理論如下。就是說，普通的暗圖增強(qiáng)就只是走下圖的L1紅箭頭，從暗圖估計(jì)一個(gè)亮圖。但是其實(shí)這個(gè)亮圖和真實(shí)的亮圖還是有一些差距，怎么彌補(bǔ)呢，可以再進(jìn)一步學(xué)習(xí)
2024年02月16日
瀏覽(31)
【論文閱讀】Uformer：A General U-Shaped Transformer for Image Restoration
??博客主頁：??睡晚不猿序程?? ?首發(fā)時(shí)間：2023.6.8 ?最近更新時(shí)間：2023.6.8 ??本文由睡晚不猿序程原創(chuàng) ??作者是蒻蒟本蒟，如果文章里有任何錯(cuò)誤或者表述不清，請(qǐng) tt 我，萬分感謝！orz 目錄 ??前言 1. 內(nèi)容簡(jiǎn)介 2. 論文瀏覽 3. 圖片、表格瀏覽 4. 引言瀏覽 5. 方法 5.
2024年02月08日
瀏覽(27)
圖像色彩增強(qiáng)相關(guān)論文閱讀-Representative Color Transform for Image Enhancement(ICCV2021)
作者：Hanul Kim1, Su-Min Choi2, Chang-Su Kim3, Yeong Jun Koh 單位：Seoul National University of Science and Technology 2Chungnam National University 3Korea University 前人方法都是encode-decode方式，丟失細(xì)節(jié)；密集轉(zhuǎn)化也限制顏色空間的遷移效果；本文使用顏色遷移表征（RCT）表征顏色變化，根據(jù)輸入和表征顏
2024年02月11日
瀏覽(36)
第二章：Learning Deep Features for Discriminative Localization ——學(xué)習(xí)用于判別定位的深度特征
????????在這項(xiàng)工作中，我們重新審視了在[13]中提出的全局平均池化層，并闡明了它如何明確地使卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有出色的定位能力，盡管它是在圖像級(jí)別標(biāo)簽上進(jìn)行訓(xùn)練的。雖然這個(gè)技術(shù)之前被提出作為一種訓(xùn)練規(guī)范化的手段，但我們發(fā)現(xiàn)它實(shí)際上構(gòu)建了一個(gè)通
2024年02月15日
瀏覽(22)
Progressive Dual-Branch Network for Low-Light Image Enhancement 論文閱讀筆記
這是22年中科院2區(qū)期刊的一篇有監(jiān)督暗圖增強(qiáng)的論文網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示： ARM模塊如下圖所示： CAB模塊如下圖所示： LKA模塊其實(shí)就是放進(jìn)去了一些大卷積核： AFB模塊如下圖所示：這些網(wǎng)絡(luò)結(jié)構(gòu)沒什么特別的，連來連去搞那么復(fù)雜沒什么意思，最終預(yù)測(cè)的結(jié)果是兩個(gè)支路的
2024年02月16日
瀏覽(24)

<b id="hmpxt"></b>

<menuitem id="hmpxt"><pre id="hmpxt"><center id="hmpxt"></center></pre></menuitem>