阅读论文
文章平均质量分 86
阅读论文笔记
6个小石头
这个作者很懒,什么都没留下…
展开
-
IEEE Geoscience and Remote Sensing Letters (GRSL)从投稿到录用过程分享
一、期刊介绍新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:全新的界面设计 ,将会带来全新的写作体验;在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;全新的 KaTeX数学公式 语法;增加了支持甘特图的mermaid语法1 功能;增加了 多屏幕编辑 Markdown文章功能;增原创 2021-08-18 21:24:11 · 30271 阅读 · 114 评论 -
《Invertible Denoising Network: A Light Solution for Real Noise Removal 》论文阅读
摘要可逆网络在图像去噪方面有各种各样的好处,因为它们是轻量级的,信息无损的,并且在反向传播过程中节省内存。然而,应用可逆模型去噪具有挑战性,因为输入是有噪声的,而反向输出是干净的,遵循两种不同的分布。我们提出了一个可逆去噪网络,InvDN,来解决这一挑战。InvDN将噪声输入转换为低分辨率的干净图像和包含噪声的潜在表示。为了去除噪声并恢复干净的图像,InvDN在还原过程中使用从先前分布中采样的另一个噪声代表来替换噪声代表。InvDN的去噪性能优于所有现有的竞争模型,为SIDD数据集实现了新的最先进的结果原创 2021-07-02 11:26:18 · 3015 阅读 · 5 评论 -
STANet
《A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection》摘要进行遥感图像变化检测(CD)以识别双时相图像之间所需的显着变化。 给定在不同时间拍摄的两个共同配准的图像,照明变化和配准错误会使真实物体的变化不堪重负。 探索不同时空像素之间的关系可能会改善CD方法的性能。 在我们的工作中,我们提出了一种基于孪生的新型时空注意神经网络。 与以前的编码时空图像而不参原创 2021-05-13 17:28:47 · 1466 阅读 · 3 评论 -
UNet变体
一、《U-Net: Convolutional Networks for Biomedical Image Segmentation》二、《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》图1:(a)UNet ++由编码器和解码器组成,它们通过一系列嵌套的密集卷积块连接。 UNet ++背后的主要思想是在融合之前弥合编码器和解码器的特征图之间的语义鸿沟。 例如,(X0; 0,X1; 3)之间的语义鸿沟是使用具有三原创 2021-01-06 19:07:37 · 5909 阅读 · 0 评论 -
DWT+pixelshuffle+注意力机制+1x1卷积
一、上采样下采样(DWT+IDWT)1、实验过程为了更好的学习下采样DWT和上采样IDWT的过程,我们构建一个简单的网络模型,将一张图片先进行下采样,然后再进行上采样操作,最后我们比较输入和输出图片的是否完全一样?PSNR值!所以这个操作是可逆的!一张图片先经过下采样然后再进行上采样,是可以完全恢复的!理解这个F.conv_transpose2d函数import torchinputs = torch.randint(1,10, (1, 4, 1, 1))print(inputs)原创 2020-12-23 18:15:02 · 2368 阅读 · 0 评论 -
《Unified Dynamic Convolutional Network for Super-Resolution with Variational Degradations》论文笔记
《Unified Dynamic Convolutional Network for Super-Resolution with Variational Degradations》一、 摘要深度卷积神经网络(CNN)在单图像超分辨率(SISR)上取得了显著成果。 尽管仅考虑了一次降级,但最近的研究还包括多种降级效果,以更好地反映实际情况。 但是,大多数工作都采用固定的降级效果组合,甚至为不同的组合训练单个网络。 取而代之的是,一种更实用的方法是训练单个网络以应对范围广泛和变化较大的退化。 为了满足这一要原创 2020-11-27 22:24:44 · 454 阅读 · 1 评论 -
《Low-Dose CT》去噪论文
文章目录前言一、《Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)》1. 摘要2.网络模型二、Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction1.摘要2. 网络模型三、Structure-sensitive Multi-scale Deep Neural Network for Lo原创 2020-11-17 16:18:50 · 4408 阅读 · 10 评论 -
《Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising》阅读笔记
《Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising》文章目录《Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising》摘要1.介绍2.相关工作A.基于学习的高斯降噪B. 用于现实世界中嘈杂照片的深层网络3.提出的方法A.更深的MWCNN的训练难度B.MWRN的网络结构C. Scale-s原创 2020-11-16 21:51:26 · 1330 阅读 · 3 评论 -
《Free-Form Image Inpainting with Gated Convolution》阅读笔记
《Free-Form Image Inpainting with Gated Convolution》阅读笔记一、论文二、代码三、参考链接一、论文摘要: 我们提出了一种生成式图像修复系统,以使用自由形式的蒙版和引导修复图像。 该系统基于从数百万张图像中学习的门控卷积,无需额外的标记工作。 提出的门控卷积解决了将所有输入像素都视为有效像素的普通卷积的问题,通过为所有通道在所有层上每个空间位置的每个通道提供一种可学习的动态特征选择机制来概括部分卷积。 此外,由于自由形式的遮罩可能会出现在具有任何形状的图像中原创 2020-11-11 11:09:54 · 798 阅读 · 1 评论 -
《Gated Context Aggregation Network for Image Dehazing and Deraining》阅读笔记
一、论文摘要:图像去雾的目的是从朦胧的图像中恢复未损坏的内容。 我们没有利用传统的低级或手工图像先验作为恢复约束条件(例如,暗通道和增加的对比度),而是提出了一种端到端门控上下文聚合网络来直接恢复最终的无雾图像。 在该网络中,我们采用了最新的平滑扩张技术,以帮助消除由广泛使用的扩张卷积和可忽略的额外参数引起的网格化伪影,并利用门控子网融合不同级别的特征。 大量的实验表明,我们的方法在数量和质量上都可以大大超过以前的最新方法。 另外,为了证明所提方法的通用性,我们将其进一步应用于图像去水任务,这也实现了最原创 2020-11-04 16:32:06 · 1516 阅读 · 0 评论 -
《Flexible Image Denoising with Multi-layer Conditional Feature Modulation》阅读笔记
摘要:为了实现灵活的非盲图像降噪,现有的深层网络通常将嘈杂的图像和噪声级别图作为输入,以使用一个模型来处理各种噪声级别。 然而,在这种解决方案中,噪声方差(即,噪声水平)仅被部署为利用通道方向的移位来调制卷积特征的第一层,这在平衡噪声去除和细节保持上受到限制。 在本文中,我们通过为UNet骨干配备多层条件特征调制(CFM)模块,提出了一种新颖的灵活图像去噪网络(CFMNet)。 与仅在第一层进行逐通道移位相比,CFMNet可以通过部署多层CFM更好地利用噪声级别信息。 此外,每个CFM模块都将来自噪点图原创 2020-10-15 17:31:53 · 757 阅读 · 0 评论 -
《Concatenated Attention Neural Network for Image Restoration》阅读笔记
Concatenated Attention Neural Network for Image Restoration摘要:在本文中,我们提出了用于低级视觉任务的通用框架,包括图像压缩伪像减少和图像去噪。 在此框架下,专门设计了一种新颖的级联注意神经网络(CANet)用于图像恢复。 本文的主要贡献如下:首先,通过应用简洁但有效的级联和特征选择机制,我们建立了一种新颖的连接机制,将模块堆叠网络中的不同模块连接起来。 其次,在每个模块卷积层中都使用了像素级和通道级注意力机制,这促进了图像中更多基本信息的进一原创 2020-10-13 21:41:06 · 1399 阅读 · 0 评论 -
《DeepLabv3 + for Semantic Image Segmentation》
一、论文《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》摘要: 在深度神经网络中,空间金字塔池模块或编码/解码器结构用于语义分割任务。 前者网络能够通过使用过滤器或以多种速率和多个有效视场进行池化操作来探查传入特征,从而对多尺度上下文信息进行编码,而后者网络则可以通过逐渐恢复空间信息来捕获更清晰的对象边界。 在这项工作中,我们建议结合两种方法的优点。 具体而言,我们提出的模型Deep原创 2020-08-13 18:10:29 · 528 阅读 · 0 评论 -
《ACNet》
读这篇文章的目的就是单纯冲着网络模型的,看在去噪任务上是否可以达到很好的结果。ACNet:通过非对称卷积块增强强大的CNN的内核骨架一、论文《ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks》摘要:由于在给定应用程序的背景下设计适当的卷积神经网络(CNN)架构通常会涉及大量的人工工作或大量的GPU时间,因此研究团体正在征求架构中立的CNN结构,可以轻松地将其插入原创 2020-08-13 17:41:37 · 1363 阅读 · 0 评论 -
Residual Non-local Attention Networks for Image Restoration
一.论文<Residual Non-local Attention Networks for Image Restoration>在本文中,我们提出了一种残留的非局部注意网络,用于高质量的图像恢复。 在不考虑损坏图像中信息不均匀分布的情况下,先前的方法受到局部卷积运算以及对空间和通道方向特征的同等对待的限制。 为了解决这个问题,我们设计了局部和非局部注意块,以提取可捕获像素之间长期依赖关系的特征,并更加注意具有挑战性的部分。 具体来说,我们在每个(非本地)注意力模块中设计主干分支和(非本原创 2020-08-13 14:59:22 · 2100 阅读 · 0 评论 -
《Pyramid Real Image Denoising Network》阅读笔记
一、论文《Pyramid Real Image Denoising Network》摘要—尽管深卷积神经网络(CNN)表现出了出色的建模特定噪声和降噪能力,但它们在现实世界中的噪点图像上仍然表现不佳。 主要原因是现实世界中的噪声更加复杂多样。 为了解决盲降噪问题,本文提出了一个新的金字塔实像降噪网络(PRIDNet),它分为三个阶段。 首先,噪声估计阶段使用通道注意机制来重新校准输入噪声的通道重要性。 其次,在多尺度降噪阶段,利用金字塔池提取多尺度特征。 第三,特征融合阶段采用核选择运算来自适应融合原创 2020-08-03 16:52:32 · 2650 阅读 · 4 评论 -
《Automatic Estimation and Removal of Noise from a Single Image》阅读笔记
(06年的文章,原以为还是深度的,好吧,,,就硬着头皮看了一下,希望可以学到一些东西,学到一些传统的东西,好像并没有什么用。。。。。)自动估计和消除单个图像中的噪声图像降噪算法通常假定与实际RGB值无关的加性高斯白噪声(AWGN)处理。 这种方法不是完全自动的,不能有效消除当今CCD数码相机产生的色噪。 在本文中,我们为两个任务提出了一个统一的框架:使用分段平滑图像模型自动估计和消除单个图像中的颜色噪声。 我们介绍了噪声水平函数(NLF),这是一个连续函数,将噪声水平描述为图像亮度的函数。 然后,我原创 2020-08-03 15:38:41 · 2094 阅读 · 3 评论 -
《Dynamic Residual Dense Network for Image Denoising》阅读笔记
一、论文《Dynamic Residual Dense Network for Image Denoising》摘要:深卷积神经网络在各种图像恢复任务上均取得了卓越的性能。 具体而言,通过密集级联多个残差密集块(RDB)以充分利用分层功能,残差密集网络(RDN)在减少图像噪声方面取得了出色的成果。 但是,RDN仅在单个噪声级别上的去噪性能良好,并且RDN的计算成本随着RDB数量的增加而显着增加,并且这仅会稍微改善去噪效果。 为了克服这个问题,我们提出了动态残差密集网络(DRDN),它是一种动态网络,原创 2020-08-13 15:00:01 · 1211 阅读 · 0 评论 -
《MemNet: A Persistent Memory Network for Image Restoration》阅读笔记
一、论文《MemNet: A Persistent Memory Network for Image Restoration》摘要:最近,非常深的卷积神经网络(CNN)在图像恢复中引起了相当大的关注。 但是,随着深度的增加,对于这些非常深的模型很少能实现长期依赖性问题,这导致先前的状态/层对后续的状态/层几乎没有影响。 受人类思想具有持久性这一事实的启发,我们提出了一个非常深的持久性内存网络(MemNet),该网络引入了一个包含递归单元和门单元的内存块,以通过自适应学习过程显式地挖掘持久性内存。 递原创 2020-08-02 16:45:23 · 1022 阅读 · 0 评论 -
《A brief review of image denoising algorithms and beyond》
论文:A brief review of image denoising algorithms and beyond(收获不是很大,简单用翻译整理一下,之后方便回顾)摘要硬件和成像系统的最新进展使数码相机无处不在。 尽管在过去的几十年中,硬件的发展已稳步提高了图像的质量,但由于许多因素会影响图像采集过程和后续的后处理,因此不可避免地会导致图像质量下降。 旨在从降级的观察中重建高质量图像的图像去噪是低级计算机视觉领域的一个经典而又非常活跃的话题。 它代表了实际应用中的重要组成部分,例如数字摄影,医原创 2020-08-02 07:52:47 · 1309 阅读 · 0 评论 -
《Densely Self-guided Wavelet Network for Image Denoising》论文阅读
一、论文《Densely Self-guided Wavelet Network for Image Denoising》摘要在过去的几年中,深度卷积神经网络在图像去噪方面取得了令人瞩目的成功。 在本文中,我们提出了一种用于真实世界图像降噪的密集自导小波网络(DSWN)。 DSWN的基本结构是自上而下的自指导体系结构,它能够有效地合并多尺度信息并提取良好的局部特征以恢复干净的图像。 而且,这种结构需要较少的参数,并且使我们可以获得比Unet结构更好的有效性。 为了避免信息丢失并获得更好的接收场.原创 2020-07-16 11:43:39 · 1478 阅读 · 5 评论 -
《Real Image Denoising Based on Multi-Scale Residual Dense Block and Cascaded U-Net》论文阅读
Real Image Denoising Based on Multi-Scale Residual Dense Block and Cascaded U-Net with Block-Connection一、论文摘要:受益于最近的真实图像数据集,基于学习的方法在真实图像降噪方面取得了良好的性能。 为了进一步提高Bayer原始数据去噪的性能,本文介绍了两个新网络,即多尺度残差密集网络(MRDN)和带块连接的多尺度残差级联U-Net(MCU-Net)。 这两个网络都基于新设计的多尺度残差密集块(MRD原创 2020-07-15 20:56:32 · 1206 阅读 · 1 评论 -
《Designing and Training of A Dual CNN for Image Denoising》阅读笔记
一、论文《Designing and Training of A Dual CNN for Image Denoising》摘要:摘要—用于图像去噪的深度卷积神经网络(CNN)最近吸引了越来越多的研究兴趣。 但是,普通网络无法恢复复杂任务的精细细节,例如真实的噪点图像。 在本文中,我们提出了双重降噪网络(DudeNet)以恢复干净的图像。 具体来说,DudeNet由四个模块组成:特征提取模块,增强模块,压缩模块和重建模块。 具有稀疏机制的特征提取模块通过两个子网提取全局和局部特征。 增强模块收集并融原创 2020-07-14 14:56:49 · 1006 阅读 · 0 评论 -
《NTIRE 2020 Challenge on Real Image Denoising: Dataset, Methods and Results》阅读
看这篇论文的原因,想了解一下这个比赛以及这个比赛中比较好的去噪模型。以下就是简单的翻译了一下,方便自己回顾。摘要本文重点介绍了NTIRE 2020在真实图像去噪方面的挑战,重点是新引入的数据集,提出的方法及其结果。 挑战是以前的NTIRE 2019基于SIDD基准的真实图像降噪挑战的新版本。 这项挑战基于新收集的验证和测试图像数据集,因此命名为SIDD +。 这一挑战有两个方面,它们可以定量评估(1)Bayer模式rawRGB和(2)标准RGB(sRGB)颜色空间中的图像降噪性能。 ...原创 2020-06-01 20:43:05 · 4571 阅读 · 2 评论 -
论文阅读目录<1>
序号 论文名称 模型简称 1 Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising DnCNN 2 FFDNet: Toward a Fast and Flexible Solution for CNN based Image Denoising FFDNet 3 U-Net: Convolutional Networks for Biomedical原创 2020-05-22 16:26:31 · 585 阅读 · 2 评论 -
《Pyramid Attention Networks for Image Restoration》阅读笔记
一、论文《Pyramid Attention Networks for Image Restoration》摘要:自相似性是指先前在图像恢复算法中广泛使用的图像,在不同的位置和比例上往往会出现小的但相似的图案。 但是,最近的基于深度卷积神经网络的高级图像恢复方法没有依靠仅处理相同规模信息的自注意神经模块来充分利用自相似性。 为了解决这个问题,我们提出了一种新颖的金字塔注意力模块,用于图像恢复,该模块从多尺度特征金字塔中捕获远程特征对应关系。 受诸如噪声或压缩伪影之类的损坏在较粗的图像比例下急剧下降这原创 2020-05-18 22:52:29 · 1385 阅读 · 2 评论 -
《Pyramid Feature Attention Network for Saliency detection》阅读笔记
一、论文《Pyramid Feature Attention Network for Saliency detection》显着性检测是计算机视觉中的基本挑战之一。 近年来,CNN是用于显着性检测的最广泛使用和功能最强大的技术,其中来自不同层的特征图始终无区别地集成在一起。 但是,本能地,CNN的不同特征图和同一图中的不同特征在显着性检测中应该扮演不同的角色。 为了解决这个问题,提出了一种新颖的CNN,称为金字塔特征注意网络(PFAN),以增强高级上下文特征和低级空间结构特征。在提出的PFAN中,为原创 2020-05-18 22:52:17 · 742 阅读 · 0 评论 -
《Single Image Reflection Removal Exploiting Misaligned Training Data and Network Enhancements》阅读笔记
一、论文《Single Image Reflection Removal Exploiting Misaligned Training Data and Network Enhancements》从通过玻璃窗捕获的单个图像中去除不希望的反射对于视觉计算系统具有实际重要性。 尽管最先进的方法在某些情况下可以获得不错的结果,但是在处理更一般的实际情况时,性能会大大下降。 这些失败源于单张图像反射去除的内在困难-问题的根本不适性,以及解决基于学习的神经网络管道中这种歧义所需的密集标记的训练数据不足。 在本原创 2020-05-17 15:39:09 · 885 阅读 · 0 评论 -
《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》阅读笔记
一、论文《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》卷积神经网络(CNN)的深度对于图像超分辨率(SR)至关重要。 但是,我们观察到更深层次的图像SR网络更难训练。 低分辨率输入和特征包含丰富的低频信息,这些信息在各个通道之间均被平等对待,因此阻碍了CNN的表示能力。 为了解决这些问题,我们提出了非常深的残留频道关注网络(RCAN)。 具体来说,我们提出了残差残差(RIR)结构以形成非常深的网原创 2020-05-17 15:20:40 · 592 阅读 · 0 评论 -
《Densely Connected Hierarchical Network for Image Denoising》阅读笔记
一、论文《Densely Connected Hierarchical Network for Image Denoising》近年来,深度卷积神经网络已应用于众多图像处理研究中,并且表现出了显着改善的性能。 在这项研究中,我们引入了密集连接的分层图像去噪网络(DHDN),它超越了最新的图像去噪解决方案的性能。我们提出的网络通过应用改进的U-Net的层次结构来提高图像降噪性能。 这使我们的网络可以使用比其他方法更多的参数。 此外,我们通过对我们的卷积块和网络应用密集的连通性和残差学习来诱导特征重用并原创 2020-05-17 14:40:11 · 685 阅读 · 0 评论 -
《Learning Enriched Features for Real Image Restoration and Enhancement》
一、论文《Learning Enriched Features for Real Image Restoration and Enhancement》摘要:以从降级版本中恢复高质量图像内容为目标,图像恢复在监视,计算摄影,医学成像和遥感等领域拥有众多应用。 最近,卷积神经网络(CNN)与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下,获得了空间精确但上下文上不那么健壮的结果,而在后一种情况下,生成了语义上可靠但空间上不原创 2020-05-17 14:28:35 · 2327 阅读 · 0 评论 -
《Real Image Denoising with Feature Attention》阅读笔记
一、论文《Real Image Denoising with Feature Attention》深度卷积神经网络在包含空间不变噪声(合成噪声)的图像上表现更好; 但是,它们的性能仅限于真实照片,并且需要多级网络建模。 为了提高去噪算法的实用性,本文提出了一种采用模块化架构的新型单级盲实像去噪网络(RIDNet)。 我们在残差结构上使用残差来缓解低频信息的流动,并关注功能以开发信道相关性。 此外,根据19种最新算法对三个合成和四个真实噪声数据集进行的量化指标和视觉质量评估,证明了我们RIDNet的优原创 2020-05-17 10:59:57 · 2295 阅读 · 1 评论 -
《A High-Quality Denoising Dataset for Smartphone Cameras》阅读笔记
一、论文《A High-Quality Denoising Dataset for Smartphone Cameras》在过去的十年中,天文学发生了巨大的变化,从使用单反相机和傻瓜相机拍摄的图像转变为使用智能手机相机拍摄的图像。 由于小光圈和传感器尺寸,智能手机图像比DSLR图像具有更大的噪声。 尽管对智能手机图像进行去噪是一个活跃的研究领域,但研究界目前尚缺乏一种能代表来自具有高质量地面真相的智能手机相机中真实噪点图像的去噪图像数据集。 我们在本文中通过以下贡献解决了这个问题。 我们提出了一种系原创 2020-05-17 10:38:17 · 1162 阅读 · 0 评论 -
《ADRN: ATTENTION-BASED DEEP RESIDUAL NETWORK FOR HYPERSPECTRAL IMAGE DENOISING》阅读笔记
一、论文《ADRN: ATTENTION-BASED DEEP RESIDUAL NETWORK FOR HYPERSPECTRAL IMAGE DENOISING》高光谱图像(HSI)降噪对于许多后续应用(例如HSI分类和解释)至关重要。 在本文中,我们提出了一种基于注意力的深度残差网络,以直接学习从嘈杂的HSI到干净的HSI的映射。 为了共同利用空间光谱信息,同时利用当前频带及其K个相邻频带作为输入。 然后,我们采用具有不同滤波器大小的卷积层融合多尺度特征,并使用快捷连接来合并多层次信息,以更好原创 2020-05-17 09:53:21 · 982 阅读 · 0 评论 -
《BRDNet+ADNet》阅读笔记
一、论文《Image denoising using deep CNN with batch renormalization》深度卷积神经网络(CNN)在图像去噪领域引起了极大的关注。 但是,有两个缺点:(1)很难训练更深的CNN来进行去噪任务;(2)大多数更深的CNN都存在性能饱和的问题。 在本文中,我们报告了一种称为批重归一化去噪网络(BRDNet)的新型网络的设计。 具体来说,我们将两个网络合并以增加网络的宽度,从而获得更多功能。 因为批处理重归一化已融合到BRDNet中,所以我们可以解决内部原创 2020-05-16 18:43:15 · 1897 阅读 · 1 评论 -
《Deep Iterative Down-Up CNN for Image Denoising》论文阅读
一、论文《Deep Iterative Down-Up CNN for Image Denoising》由于GPU内存的有效使用及其产生大接收场的能力,在低级视觉研究中已广泛研究了使用按比例缩小和按比例放大特征图的网络。在本文中,我们提出了一种用于图像去噪的深度迭代向下卷积神经网络(DIDN),该算法反复减少和增加特征图的分辨率。网络的基本结构受到U-Net的启发,U-Net最初是为语义分段而开发的。我们针对图像去噪任务修改了按比例缩小和按比例放大的图层。 训练常规降噪网络以处理单级噪声,或者可替代原创 2020-05-16 17:40:17 · 1217 阅读 · 0 评论 -
《Self-Guided Network for Fast Image Denoising》阅读笔记
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.原创 2020-05-16 16:14:13 · 1883 阅读 · 0 评论 -
《Multi-Level Wavelet Convolutional Neural Networks》阅读笔记
一、论文《Multi-Level Wavelet Convolutional Neural Networks》摘要:在计算机视觉中,卷积网络(CNN)通常采用合并来扩大接收域,其优点是计算复杂度低。 但是,合并可能导致信息丢失,因此不利于进一步的操作,例如特征提取和分析。 最近,已经提出了扩张滤波器来在接收场大小和效率之间进行折衷。 但是,伴随的网格化效果可能导致对具有棋盘格图案的输入图像进行稀疏采样。 为了解决这个问题,在本文中,我们提出了一种新颖的多级小波CNN(MWCNN)模型,以在接收场大小原创 2020-05-16 12:24:39 · 5596 阅读 · 10 评论 -
《FRACTALNET: ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS》阅读笔记
一、论文《FRACTALNET:ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS》二、学习资料分形网络结构——FractalNet: Ultra-Deep Neural Networks without Residuals论文笔记论文笔记:分形网络(FractalNet: Ultra-Deep Neural Networks without Residuals)基于分形结构的极深神经网络,超越 ImageNet 2015 冠军 ResNet(附论文原创 2020-05-12 09:45:35 · 391 阅读 · 0 评论 -
《Toward Convolutional Blind Denoising of Real Photographs》阅读笔记
一、论文《Toward Convolutional Blind Denoising of Real Photographs》摘要:尽管深卷积神经网络(CNN)在加性高斯白噪声(AWGN)的图像去噪方面取得了令人瞩目的成功,但其性能在实际嘈杂的照片上仍然受到限制。 主要原因是他们的学习模型很容易在简化的AWGN模型上过度拟合,而AWGN模型与复杂的实际噪声模型大相径庭。 为了提高深层CNN去噪器的泛化能力,我们建议使用更逼真的噪声模型和真实的噪声清洁图像对来训练卷积盲去噪网络(CBDNet)。 一方面原创 2020-05-11 17:21:07 · 589 阅读 · 0 评论