【Rethinking Coarse-to-Fine Approach in Single Image Deblurring】阅读笔记

已于 2023-03-17 23:26:51 修改
阅读量246 收藏
点赞数
分类专栏： 去模糊 文章标签： 深度学习 人工智能 机器学习
于 2023-03-17 23:25:51 首次发布
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/Never_say_no_key/article/details/127097873
版权

1 Contribution

  • MIMO-UNet的单个编码器输入多尺度的图像，降低了训练难度。
  • MIMO-UNet的单个解码器输出多尺度的去模糊图像，单个U型网络，模拟多级联U-Net。
  • 引入非对称特征融合(AFF)，对多尺度特征进行有效融合

在这里插入图片描述
在这里插入图片描述

2 Loss

2.1 content

在这里插入图片描述

2.2 MSFR

在这里插入图片描述

3 Experiment

3.1 dataset

Gopro Dataset
Reblur Dataset
【Real-world blur dataset for learning and benchmarking deblurring algorithms】 In Eur . Conf. Comput. Vis., pages 184–201, 2020.

3.2 相关方法

3.3 消融实验

geometric self-ensemble指测试时，把图像90度旋转以及翻转，总共有8种不同的图像，分别进网络然后变换回原始位置，8张图像再取平均。这样可以使测试结果有略微提高，详见论文

Nepethens
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Rethinking-Atrous-Convolution-for-Semantic-Image-Segmentation-1.zip
01-20
DeepLab 官方PPT，包含deeplabv1，v2，v3的变化，有助于理解该系列网络结构变化过程，不错的学习材料
2020-Rethinking Pre-training and Self-training.pdf
08-15
2020-Rethinking Pre-training and Self-training.pdf
Rethinking-Inpainting-MEDFE:通过具有特征均衡功能的互编码器重新思考图像修复。 ECCV 2020口头
04-05
重新思考-修复-MEDFE | 通过带有特征均衡的互编码器对图像修复的反思。 ，，，和。 在ECCV 2020（口服）中。 版权所有。 根据 （ Attribution-NonCommercial-ShareAlike 4.0 International ）许可 该代码仅供学术研究使用。 对于商业用途，请联系 。 安装 克隆此仓库。 git clone https://github.com/KumapowerLIU/Rethinking-Inpainting-MEDFE.git 先决条件 Python3 火炬> = 1.0 张量板 火炬视觉 枕头 数据集准备 我们使用 ， 和数据集。 要在完整数据集上训练模型，请从官方网站下载数据集。 我们的模型是在提供的不规则蒙版数据集上训练的。 您可以从他们的下载公开可用的不规则蒙版数据集。 对于数据集的结构图，我们遵循并使用。在mat
CVPR 2022 Oral | MAXIM: Multi-Axis MLP for Image Processing
画心
09-19 2712
这是一篇在底层视觉任务上构建更有效的局部+全局交互策略的文章，再多个任务上实现了良好的效果。
【图像去模糊】Rethinking Coarse-to-Fine Approach in Single Image Deblurring
乐亦亦乐的博客
10-04 4548
论文地址：https://arxiv.org/pdf/2108.05054.pdfhttps://arxiv.org/pdf/2108.05054.pdf 代码地址：https://github.com/chosj95/MIMO-UNethttps://github.com/chosj95/MIMO-UNet 粗到精细的策略已被广泛应用于单个图像去模糊网络的体系结构设计。传统的方法通常将子网络与多尺度输入图像叠加，逐步提高图像从底层子网到顶层子网的清晰度，不可避免地产生较高的计算成本。为了...
图像去模糊：MIMO-UNet 模型详解
步入人工智能
03-31 4101
本内容主要介绍实现图像去模糊的 MIMO-UNet 模型。
ICCV2021：Rethinking Coarse-to-Fine Approach in Single Image Deblurring
weixin_45703452的博客
08-16 2356
摘要 单位：Korea University 论文 代码（未放出） 传统方法通常使用多尺度输入图像堆叠子网络，并通过从底部子网络到顶部子网络逐渐提升图像的sharpess，这样做不可避免地产生较高的计算成本。本文重新审视了粗粒度到细粒度的策略，提出一个multi-input multi-output U-net (MIMO-UNet). 单个编码器可以接受多个尺度的输入，缓解训练难度；单个解码器可以输出多个尺度的结果；非对称特征融合技术的引入，有效地融合多尺度特征。结果SOTA。 方法 Coarse-to
论文阅读 | Rethinking Coarse-to-Fine Approach in Single Image Deblurring
bettii的博客
02-11 733
ICCV2021图像单帧运动去糊论文
AAAI 2023 | 浙大成像实验室创建ReLoBlur数据集及LBAG局部模糊感知门控网络
Paper weekly
03-28 455
单幅图像去运动模糊一直以来都是研究的热点，随着深度学习的兴起，基于端到端学习式的图像去模糊逐渐成为主流。运动模糊可分为全局和局部两类，其中全局运动模糊得到广泛关注，而局部运动模糊问题则较为被忽视。该文章从实际工业应用需求出发，聚焦于解决单图像去除局部运动模糊的多重挑战：1. 由于缺少公开真实的局部运动模糊数据集，深度学习应用受到阻碍；2. 训练过程中神经网络模型难以确定局部模糊区域的位置和大小；3...
AAAI 2023 Oral | 图像复原中的新问题！浙大创建ReLoBlur数据集和LBAG局部模糊感知门控网络...
阿木寺的博客
03-23 1057
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【计算机视觉】微信技术交流群AAAI-2023 Oral：Real-World Deep Local Motion Deblurring单幅图像去除局部运动模糊：浙大成像实验室创建ReLoBlur数据集及LBAG局部模糊感知门控网络单幅图像去运动模糊一直以来都是研究的热点，随着深度学习的兴起，基于端到端学习式的图...
读论文Rethinking the Role of Demonstrations What Makes In-Context
03-09
【读论文】Rethinking the Role of Demonstrations What Makes In-Context Learning Work
基于注意力机制卷积神经网络结合门控单元CNN-GRU-SAM-Attention实现柴油机故障诊断附matlab代码
算法如诗的博客
06-13 278
基于注意力机制卷积神经网络结合门控单元CNN-GRU-SAM-Attention实现柴油机故障诊断附matlab代码
基于深度学习从2D图像中恢复3D图形
weixin_42605076的博客
06-14 423
基于深度学习从二维图像中恢复三维图形，通过构建和训练复杂的神经网络模型，能够有效地从二维图像中提取深度信息和三维结构。尽管面临信息不足、遮挡和视角变化等挑战，但随着深度学习技术的不断进步，三维重建在多个领域展现出了广阔的应用前景。通过数据增强和预处理技术，可以进一步提升三维重建模型的鲁棒性和准确性。
MATLAB神经网络---lstmLayer（LSTM 长短期记忆神经网络）
qq_45452617的博客
06-13 1112
描述LSTM就要先描述一下循环神经网络循环神经网络循环神经网络通过使用带自反馈的神经元，使得网络的输出不仅和当前的输入有关，还和上一时刻的输出相关，于是在处理任意长度的时序数据时，就具有短期记忆能力。如下是一个按时间展开的循环神经网络图：梯度消失和梯度爆炸是困扰RNN模型训练的关键原因之一，产生梯度消失和梯度爆炸是由于RNN的权值矩阵循环相乘导致的，相同函数的多次组合会导致极端的非线性行为。梯度消失和梯度爆炸主要存在RNN中，因为RNN中每个时间片使用相同的权值矩阵。
如何自定义反向传播使用paddlepaddle
东方佑
06-08 637
在深度学习框架中，我们经常需要自定义层以实现特定的功能。PaddlePaddle是一个易用、高效、灵活的深度学习框架，它提供了丰富的API来支持自定义层的创建。本文将介绍如何使用PaddlePaddle实现一个自定义层Gxyz，并演示如何将其应用于一个简单的模型。
深度学习之条件生成对抗网络（Conditional GANs, cGANs）
最新发布
JustinMars的博客
06-14 139
在传统的GANs中，生成器从潜在空间中学习到一个映射，直接生成接近真实数据分布的样本。而在cGANs中，生成器和判别器除了输入潜在变量（通常是一个随机向量），还接收额外的条件信息。这些条件信息可以是类别标签、文本描述或其他形式的属性，用于指导生成器生成具有特定属性的数据。
深度学习的可微渲染
weixin_42605076的博客
06-11 591
可微渲染通过使传统渲染过程可微分，将深度学习与计算机图形学结合起来，极大地扩展了两者的应用范围。它不仅在计算机视觉和图形学中具有重要应用，还在机器人学、增强现实和虚拟现实等领域展现出了广阔的前景。随着相关技术和工具的不断发展，可微渲染将继续推动三维数据处理和分析领域的创新和进步。
【课程总结】Day8（上）：深度学习基本流程
Deadwalk的专栏
06-13 677
在上一篇课程《【课程总结】Day7：深度学习概述》模型训练过程→本质上是固定w和b参数的过程；让模型更好→本质上就是让模型的损失值loss变小；让loss变小→本质上就是求loss函数的最小值；本篇文章，我们将继续深入了解深度学习的项目流程，包括：批量化打包数据、模型定义、损失函数、优化器以及训练模型等内容。在深度学习中构建模型是指设计神经网络结构，确定网络的层数、每层的神经元数量、激活函数等参数，以实现特定的学习任务。
帕金森的锻炼方式
qyy080188的博客
06-13 156
其次，要根据自己的身体状况选择合适的锻炼方式，避免进行过于剧烈或高难度的运动。此外，患者在锻炼前要做好热身运动，锻炼后要进行适当的拉伸放松，以减少运动损伤的风险。因此，患者在锻炼过程中，应注重全身性的运动，兼顾力量和柔韧性的提升。这些运动不仅可以锻炼身体，还可以调节呼吸，缓解压力，对帕金森病患者的身心健康都有益处。如舞蹈、乒乓球等，这些运动既能锻炼身体，又能愉悦心情，对于帕金森病患者的康复非常有益。总之，帕金森病虽然给患者带来了诸多不便，但通过科学合理的日常锻炼，我们可以有效缓解病情，提高生活质量。
rethinking graph anomaly detection: a self-supervised group discrimination p
02-05
《重新思考图形异常检测：一种自我监督的群体区分》是一篇关于图形异常检测的研究论文。现有的异常检测方法通常依赖于人工标注的异常样本，但这种方法需要大量的标注工作和专家知识。因此，该论文提出了一种基于自我监督群体区分的新方法。 该方法首先构建一个图形数据的表示形式，例如图形的节点和边表示，然后使用无监督的聚类算法将数据集分成不同的群体。通过比较不同群体之间的相似性和差异性，可以发现潜在的异常群体。这种自我监督的方法不需要人工标注的异常样本，而是通过挖掘数据本身的特征和结构来进行异常检测。 为了验证这种方法的有效性，该论文在多个真实世界的图形数据集上进行了实验。实验结果表明，该方法在检测异常群体方面具有较高的性能。与传统的异常检测方法相比，它能够更准确地识别出异常群体，并且不需要人工标注的异常样本来训练模型。 这项研究对图形异常检测领域具有重要的意义。它提出了一种新颖的自我监督方法，可以减轻传统异常检测方法中的标注负担，并且在实验中取得了很好的效果。该方法还可以应用于许多领域，如网络安全、金融欺诈检测等。未来，该研究可以进一步改进和扩展，以提高异常检测的准确性和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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