阅读论文《Attention-guided Network for Ghost-free High Dynamic Range Imaging》

最新推荐文章于 2024-07-02 11:41:14 发布
最新推荐文章于 2024-07-02 11:41:14 发布
阅读量2.8k 收藏 8
点赞数
分类专栏： LDR2HDR
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Najlepszy/article/details/89680688
版权

其实Attention就是一个map……整体思路就是用多张不同曝光度的图像来合成HDR图片，合成思路和ECCV 2018的《Deep High Dynamic Range Imaging with Large Foreground Motions》巨像然后加个Attention……啊呀……
其实从SR中找思路也是个不错的选择。
效果图如下：
在这里插入图片描述
之前的问题是无法解决large motion和saturation这两个问题，通过目前的网络解决了。
具体网络结构如下：
在这里插入图片描述
Attention Map
目的是减少misaligned产生的artifact，网络结构如下。
在这里插入图片描述
Dilated Residual Dense Block
增大感受野，加深网络
在这里插入图片描述
作者之后用光流法对其输入图像后输入网络，结果效果有好有坏
emmm

Najlepszy
关注
专栏目录
【HDR】AHDRNet: Attention-guided Network for Ghost-free High Dynamic Range Imaging
专注人工智能，主攻CV
11-19 1911
目前，高动态范围成像算法面临的主要挑战是：用于合成HDR图像的多帧LDR图像之间存在物体位移，大幅度运动的对齐比较困难，从而导致合成后的HDR中存在伪影。
[论文笔记] (CVPR2019) Attention-guided Unified Network for Panoptic Segmentation
Holeung blog
08-04 1519
[论文笔记] (CVPR2019) Attention-guided Unified Network for Panoptic Segmentation
HDR论文笔记：HDR-Transformer——Ghost-free High Dynamic Range Imaging with Context-aware Transformer
qq_50001789的博客
08-09 995
在本文中，作者提出了一种双分支上下文感知Transformer，通过加入局部特征提取器（即引入卷积操作）来克服传统ViT在局部建模上的不足，扩展了标准的ViT模块，可以实现全局和局部上下文的同时建模。此外，基于所设计的CA-ViT模块，作者提出了用于HDR成像的HDR-Transformer网络，通过结合Transformer和CNN的优点，来有效地缓解HDR成像过程中容易产生重影的问题。
【embedding 神经网络】神经网络算法 —— Embedding（嵌入）！！
最新发布
python12222_的博客
07-02 937
本文将从 Embedding 的本质、Embedding的原理、Embedding的应用三个方面，详细介绍Embedding（嵌入）。
论文阅读——AG-Net：Attention Guided Network for Retinal Image Segmentation
qq_37151108的博客
11-23 4250
Attention Guided Network for Retinal Image Segmentation AG-Net:注意力引导网络用于视网膜图像分割 
from MICCAI2019 Abstract 学习图像的结构信息对视网膜图像分割至关重要。近期，深度神经网络在提取特征方面展现了超凡的能力，但是卷积和池化操作也滤掉了有用的结构信息。为此本文提出了注意力引导网络（AG-Net）来保留结构信息同时引导扩张操作。
在AG-Net中，使用对结构敏感的扩张路径，从而在扩张的时候保留从前层特征图谱中的结构
High Dynamic Range Imaging
jokingli的专栏
11-15 1757
original website:http://docs.opencv.org/trunk/doc/tutorials/photo/hdr_imaging/hdr_imaging.html#explanation High Dynamic Range Imaging Introduction Today most digital images and imaging devices us
Attention-guided CNN for image denoising.pptx
02-26
深度卷积神经网络(CNNs)在低层次计算机视觉领域引起了广泛的关注。通过很深的CNN网络来提高性能。但随着深度的增加，浅层的信息被忽略掉。受这样的事实启发，我们提出了一种基于注意引导的卷积神经网络(ADNet)去噪...
Self-Guided-Network-for-Fast-Image-Denoising:ICCV 2019论文SGN的PyTorch实施
05-07
培训策略与论文相同。 您可以使用以下脚本对自己的数据进行训练（请注意，您需要修改数据集路径）： cd SGN python train.py or sh zyz.sh 测验 我使用ILSVRC2012验证集对4个NVIDIA TITAN Xp GPU进行了培训，并在1...
Unsupervised-Attention-guided-Image-to-Image-Translation-master.zip
12-15
Current unsupervised image-to-image translation techniques struggle to focus their attention on individual objects without altering the background or the way multiple objects interact within a scene....
《Self-Guided Network for Fast Image Denoising》阅读笔记
69小石头的博客
05-16 1973
一、论文 《Self-Guided Network for Fast Image Denoising》 在过去的几年中，使用高度复杂的神经网络在图像恢复任务上取得了巨大进步。 尽管它们具有良好的恢复性能，但是沉重的计算负担阻碍了将这些网络部署在受限设备上。 智能手机和消费电子产品。 为解决此问题，我们提出了一种自导网络（SGN），该网络采用自上而下的自导体系结构来更好地利用图像多尺度信息。 SGN通过混洗操作直接生成多分辨率输入。以低分辨率提取的大规模上下文信息逐渐传播到高分辨率子网络中，以指导这些规.
Attention-Guided Hierarchical Structure Aggregation for Image Matting
IT_Herven的博客
06-29 513
Attention-Guided Hierarchical Structure Aggregation for Image Matting Abstract 现有的基于深度学习的抠图算法主要依靠高级语义特征来改善alpha mattes的整体结构，作者认为应该将高级语义信息与低级外观线索相协调，以细化前景细节 提出一种端到端的分层注意力抠图网络(HAttMatting)，它可以在没有额外输入的情况下从单个RGB图像中预测更好的alpha mattes结构 具体来说，作者利用空间和通道方向的注意力，以一种新
graph-based-recommendation-system:使用图搜索方法构建推荐系统。 我们将比较这些不同的方法，并仔细观察每种方法的局限性
03-11
基于图搜索的推荐系统 这是有关使用图形搜索方法构建推荐系统的项目。 我们将比较这些不同的方法，并仔细观察每种方法的局限性。 用生成的目录 抽象的： 使用grouplens网站中的movielens数据集实施了电影推荐系统。 该数据集被转换为二分图，该二分图允许使用基于图的遍历算法而不是推荐系统使用的常规方法来解决该问题。 目标是使用图遍历算法实现协作过滤技术以及基于内容的推荐。 我们将评估优点和缺点，然后讨论如何在此方法上进行改进。 介绍： 社交媒体网站，电影，电视节目等所生成的内容量正在急剧增加，并且用户或个人很难从如此庞大的内容库中进行选择。 有无数的选择。 因此，我们需要过滤掉大部分内容并向用户提供建议。 推荐系统旨在解决此问题，以便根据现有数据和用户首选项为用户提供最佳建议。 推荐系统广泛用于电子商务网站，例如Netflix推荐电影，亚马逊推荐产品，音乐应用程序（例如i
Attention-guided Context Feature Pyramid Network for Object Detection
qq_52302919的博客
03-03 2150
在目标检测中，如何解决高分辨率输入条件下特征图分辨率与感受野之间的矛盾仍然是一个有待解决的问题。为了解决这一问题，作者提出了注意引导的上下文特征金字塔网络(AC- FPN)，该网络通过整合注意引导的多路径特征来利用来自不同感受野的判别信息。该模型包含两个模块。
论文Attention-guided CNN for image denoising解读
yilia学习小园
04-28 1401
文章目录1. 论文简介2. 模型结构分析1) 网络架构2) 损失函数3) Sparse block(SB)模块分析3) Feature enhancement block(FEB)模块分析3) Attention block(AB)模块分析3) Reconstruction block(RB)模块分析3. 实验 1. 论文简介 该论文介绍了一个注意力引导的降噪卷积神经网络（ADNet）。该网络主要包括4个模块，分别是稀疏模块（sparse block，SB），特征提升模块（feature enhancem
代码实现——注意力引导的CNN图像去噪（Attention-guided CNN for image denoising）
sf_qw39的博客
03-28 5435
今天给大家带来一篇注意力引导的CNN图像去噪文章《Attention-guided CNN for image denoising》。我用tensorflow的实现版本可以在我的github上找到。传送门：https://github.com/sun126/ADNet。 整体的网络结构如下图： 主要分为四个部分：SBNet，FEBNet，ABNet，RBNet。 SBNet：是由CBR（...
论文解读：AHDR&ADNet
qq_40962125的博客
09-28 1387
第二个要说的模块就是drdb模块了，drdb模块是改进原来的drb模块，drb模块是ieee上一篇超分辨的论文：（RDN）Residual Dense Network for Image Super-Resolution。这个模块和刚才AHDR的注意力模块非常相似，模块应该是一样的，只是输出之后有些不同，AHDR是中间ref参考图直接输出到cat前，而ADNet是和上下高低暴光图分别进行cat。本篇文章的最大创新点在于提出了一个新的引导网络，并且结合了自己提出的drdb模块。
论文阅读《Attention-guided Unified Network for Panoptic Segmentation》CVPR 2019
Learning-Deep
02-27 5956
这篇文章发表于CVPR 2019会议上，中国科学院自动化研究所所做关于全景分割问题。本文提出了一个叫做 Attention-guided Unified Network ( AUNet ) 的结构去解决全景分割问题，该方法在MS-COCO数据集上取得了目前最好的结果。 全景分割（Panoptic Segmentation）是一个比较新的分割概念，是指的对目标区域做实例分割（Instance Seg...
python 机器视觉测量,《opencv3机器视觉Python语言实现》学习笔记之canny 边缘检测...
weixin_33725576的博客
03-25 323
《opencv3机器视觉Python语言实现》学习笔记之canny 边缘检测《opencv3机器视觉Python语言实现》学习笔记之canny 边缘检测源《opencv3机器视觉Python语言实现》，仅用作个人复习canny 边缘检测部分代码：# canny 边缘检测'''1、使用高斯滤波器，平滑图像，除燥2、计算像素点的梯度强度和方向3、应用非极大值抑制，消除边缘检测带来的杂散响应4、应用双阈...
attention-guided cnn for image denoising, neural networks
09-03
《Attention-guided CNN for image denoising》是一种用于图像去噪的神经网络模型。它基于卷积神经网络（CNN）的基本架构，但引入了注意力机制来提高去噪的效果。 在传统的CNN中，输入图像经过一系列卷积和池化操作，通过多个卷积层和全连接层进行特征提取和分类。然而，在图像去噪任务中，图像中不同区域的噪声水平可能不同，因此传统的CNN在对整个图像进行处理时可能无法有效地去噪。 为了解决这个问题，注意力机制被引入到CNN中。注意力机制可以将网络的注意力集中在图像的不同区域，以便更有针对性地去噪。该模型通过引入注意力模块，在每个卷积层之后对特征图进行处理，以增强重要区域的特征表示。这种注意力机制能够在去噪任务中更好地保留图像的细节和边缘，提高去噪效果。 具体来说，注意力模块通过学习图像的空间注意力和通道注意力来选择性地加权特征图。空间注意力用于选择特征图中的重要区域，而通道注意力用于选择特征图中的重要特征通道。通过这种方式，网络可以更加自适应地选择图像中重要的特征表示，从而更好地去除噪声。 实验证明，使用注意力机制的CNN模型在图像去噪任务上具有更好的性能。它在不同的噪声水平和噪声类型下都能够有效地去噪，并且能够保持图像的细节和结构。因此，这个注意力引导的CNN模型在图像去噪任务中具有一定的应用前景。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值