【图像去噪】前沿资讯：第十届NTIRE 2025图像去噪挑战报告，一大批CVPRW论文即将来袭！

已于 2025-04-21 19:49:40 修改
阅读量847 收藏 2
点赞数 16
分类专栏： Pytorch深度学习图像去噪算法100例（论文精读+复现） 文章标签： 计算机视觉 图像处理 深度学习 人工智能 图像去噪 超分辨率重建 pytorch
于 2025-04-21 16:31:59 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/qq_36584673/article/details/147387803
版权

请先看【专栏介绍文章】：【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）

文章目录

在这里插入图片描述

背景介绍

在这里插入图片描述

Report连接：The Tenth NTIRE 2025 Image Denoising Challenge Report

The Tenth NTIRE 2025 Image Denoising Challenge是第十届CVPR NTIRE (New Trends in Image Restoration and Enhancement) Workshop研讨会比赛之一 —— 图像去噪挑战赛，旨在促进去噪领域的发展，对不同的去噪技术进行公平比较，促成潜在的合作关系。

标准设置：加噪声白噪（AWGN），σ=50。计算效率和模型复杂度不参与评判。

也就是说，只看涨点，无疑又是一场军备竞赛。

数据集

  • 训练集：DIV2K的800张和LSDIR的84991张，允许使用额外的外部数据集，例如Flickr2K，允许使用高级数据增强方法；
  • 验证集：DIV2K的100张和LSDIR的1000张；
  • 测试集：DIV2K的100张和LSDIR的1000张；

其中，推理阶段可以访问DIV2K验证集的100张图像，测试阶段可以使用DIV2K测试集的100张图像和LSDIR 测试集的附加 100 张图像进行评估。为了确保公平，测试阶段的真实无噪声图像隐藏。

此外，严禁将DIV2K的验证集和测试集加到训练集之中。

评估指标

使用PSNR/SSIM衡量200个测试图像，官方提供代码：https://github.com/AHupuJR/NTIRE-0225_Dn50_challenge，包含加噪代码和baseline测试代码。

按官方代码格式提交到CodaLab评估服务器，反馈结果。

参赛队伍

在这里插入图片描述
共20个队伍成绩有效，290名参与者。前六名的成绩都超过了去年。

在参赛人员中，我发现了一些熟悉的身影：

主要ideas和架构

由于计算效率和模型复杂度不影响成绩，混合架构是采用最多的，前3名的架构结合了基于Transformer和基于CNN的网络。

由于可以使用额外的训练集，对于训练数据的选择以及相关Tricks是第1名团队的做法，只选择高质量数据训练，而不是对整个 DIV2K 和 LSDIR 数据集进行训练。

架构设计：第2名使用MambaIRv2的混合结构。

训练技巧：使用小波变换损失、渐进式学习策略。

推理技巧：高百分比patch重叠可以导致更高的PSNR、使用自集成或模型集成。

各团队的具体方法

第1名：惊为天人的200万张自制训练集

Title: Dynamic detail-enhanced image denoising framework

PSNR/SSIM：31.20/0.8884

在这里插入图片描述

  • 混合结构：CNN擅长恢复局部细节，Transformer擅长捕获全局上下文，又不用考虑计算效率和复杂度，于是提出混合网络 —— Restormer+NAFNet，前者为去噪网络，后者为细节增强网络，最后通过一组可学习的参数动态融合上述两个部分的特征，平衡去噪和细节保留，从而提升整体性能。
  • 数据集：除了DIV2K和LSDIR外，有200 万张图像组成的自收集自定义数据集，在微调阶段使用高质量数据集（ LSDIR 的 1000 张图像、来自自定义数据集的 1000 张图像和来自 DIV2K 的所有 800 张图像）。数据选择如下：
    • 图像分辨率:只保留分辨率大于900x900的图像；
    • 图像质量:只保留所有三个指标排名前30%的图像:拉普拉斯Var、BRISQUE和NIQE；
    • 语义选择：为了实现语义平衡，他们于 Clip 特征进行了语义选择，以确保数据集反映了各种场景类别的多样性和代表性内容。
  • 训练策略：包含三个阶段
    • 第一阶段，使用200 万张图像的自定义数据集预训练整个网络，学习率1e-4；
    • 第二阶段，使用DIV2K 和 LSDIR 数据集微调细节增强网络模块，学习率1e-5；
    • 第三阶段，从自定义数据集中选择 1,000 张图像、LSDIR 数据中的 1,000 张图像和 DIV2K 中的 800 张图像作为训练集，学习率1e-6；
    • 损失函数：交替迭代L1损失、L2损失和平稳小波变换(SWT)损失；
    • 渐进式学习：图像块大小从 256 增加到 448 和 768。

PS：人家都是在DIV2K和LSDIR上训练，你上来就200万张自制数据集，这玩个蛋啊。

第2名：堆叠模型到设备爆显存的临界点

Title: Deep ensemble for Image denoising

PSNR/SSIM：29.95/0.8676
在这里插入图片描述

  • 混合结构：MambaIRv2+Xformer+Restormer，最后基于Xformer集成。

  • 训练细节：与 训练 MambaIRv2、 Restormer 和 Xformer的策略一致，渐进式训练，补丁大小逐渐增加为 [128, 160, 192, 256, 320, 384]，对应的批量大小为 [8, 5, 4, 2, 1, 1]。

    • 损失函数：去噪模型使用 L1 损失进行训练，而集成模型使用 L1 损失、MSE 损失和高频损失的组合进行训练。

  • 推理细节：使用自集成，滑动窗口重叠计算，补丁大小设置为 [256, 384, 512]，对应的重叠值为 [48, 64, 96]，对结果平均。

PS：不限制计算效率和模型复杂度，第2名的思路才比较常规，不在数据上下功夫，而在于模型设计。

第3名：边缘特征或许是决胜的关键

Title: DDU——Image Denoising Unit using transformer and morphology method

PSNR/SSIM：29.89/0.8664
在这里插入图片描述

  • 混合结构： Restormer+HAT，分为两个阶段，第一阶段使用TLC增强Restormer能力，第二阶段使用Canny算子对两个模型处理的图像进行边缘检测，对两个边缘图像进行OR运算，然后将结果与HAT的边缘进行异或运算，得到两幅图像之间的边缘差。对于边缘差异的这一部分，他们使用HAT[11]获得的结果作为保存的标准，最后取二者的像素平均值为最终结果。
  • 训练策略：Restormer和HAT都使用渐进式训练策略。

PS：也是全局和局部特征融合的思路，额外的处理提升性能。

第4名：线性结构在竞赛中焕发的第二春

Title: Hybrid Denosing Method Based on HAT

PSNR/SSIM：29.84/0.8653
在这里插入图片描述

  • 模型结构：HAT改进为DB-HAT，常规三部分线性结构，即浅层特征提取3×3Conv，深层特征提取若干个块，重建层为3×3Conv +上采样（如果超分就是n倍上采样，去噪省略上采样）。
  • 训练策略：先在小patch（64x64）上以大batch（16）训练，然后在小batch（1）中patch (128x128)上训练，最后在小batch（1）大patch(224x224)上优化。使用余弦退火策略衰减学习率，损失函数为L2损失。

PS：HAT还是牛逼。

第5名：Restormer永远的神

Title: Denoiser using Restormer and Hard Dataset Mining

PSNR/SSIM：29.83/0.8652

在这里插入图片描述

  • 核心思路：
    • Hard Dataset Mining微调模型：选择损失值超过预定义阈值的训练补丁在我们的基础训练模型上进行迁移学习，学习率比初始学习率降低100倍；
    • 数据集配比：DIV2K 与 LSDIR 比率 12:88 有助于提高整体 PSNR；
    • 自集成：使用Self Ensemble有效提升性能；

PS：Hard Dataset Mining来自论文Alternating between canonical and hard datasets for improved image demosaicing。

第6名：阐明模型参数和复杂度是我最后的倔强

Title: Bias-Tuning Enables Efficient Image Denoising

PSNR/SSIM：29.80/0.8642

核心思想：偏差调优。

Baseline为未Clipping的预训练Restormer，DIV2K 验证的 PSNR/SSIM为 27.47/0.79，将此冻结恢复器（LayerNorm 模块除外）嵌入可学习的偏差参数并微调模型后，PSNR 增加了 3dB 以上。

推理过程使用自集成和补丁拼接（将测试块使用AutoStitch拼成与训练图像大小的相同的图像，重叠区域使用线性融合）。

复杂性：参数总数：26.25M；可学习偏差参数的总数：0.014M；FLOPS：140.99G（在形状为 256 × 256 × 3 的图像上进行评估）。

第7名：xxIR+xxIR=xxxxIR

Title: Tcler Denoising

PSNR/SSIM：29.78/0.8632

核心思路：PromptIR-Dn50+MambaIRv2-Dn50+融合。

训练细节：与Restormer训练策略相同，损失函数为Charbonnier 损失和梯度加权 L1 损失。

在测试阶段，输入大小固定为112×112，并应用自集成技术来进一步提高模型的性能。

PS：由于未给结构图无法得知具体细节。

第8名：Pureformer = SCUNet+Restormer

Title: Pureformer: Transformer-Based Image Denoising

PSNR/SSIM：29.64/0.8601

在这里插入图片描述

  • 网络结构： 四级encoder-decoder结构，Trans块结合了SCUNet和Restormer的Trans块。
  • 训练策略： 前15个epoch预热，然后余弦退火；
  • 推理策略： 图像块大小为512×512，自集成；

第9名：应该是一篇已经成熟的论文

Title: A Two-Stage Denoising Framework with Generalized Denoising Score Matching Pretraining and Supervised Fine-tuning

PSNR/SSIM：29.61/0.8602

在这里插入图片描述

  • 框架结构： 自监督GDSM预训练（来自Corruption2Self (C2S)）+监督微调；

文章为：Score-based selfsupervised MRI denoising

第10名：换个题目重画个图就拿了第10

Title: HNNFormer: Hierarchical Noise-Deinterlace Transformer for Image Denoising

PSNR/SSIM：29.60/0.8602

在这里插入图片描述
CVPRW2024原作者团队：HNN: Hierarchical Noise-Deinterlace Net Towards Image Denoising

文章链接：https://openaccess.thecvf.com/content/CVPR2024W/PBVS/papers/Joshi_HNN_Hierarchical_Noise-Deinterlace_Net_Towards_Image_Denoising_CVPRW_2024_paper.pdf

第11名：简简单单SCUNet第11名

Title: SCUNet for image denoising

PSNR/SSIM：29.58/0.8597

在这里插入图片描述

  • 网络结构：与SCUNet完全一致。
  • 测试策略：使用Test-Time Augmentation(TTA)，连接3个U-Net和SCUNet，根据权重0.6和0.4的分配获得输出，最后concat提升性能。

第12名：超分模型也来凑热闹

Title: Image Denoising using NAFNet and RCAN

PSNR/SSIM：29.55/0.8590

在这里插入图片描述

  • 网络结构：依旧是多分支特征融合思路，NAFNet+RCAN。
  • 训练策略：DIV2K训练NAFNet和RCAN，NAFNet补丁大小为 384×384，RCAN补丁大小为200×200，都是常规参数。
  • 推理策略：和第3名一样，使用TLC增强NAFNet性能，自集成。

第13名：Diffusion来了，但我才是第12名

Title: OptimalDiff: High-Fidelity Image Enhancement Using Schr ̈odinger Bridge Diffusion and Multi-Scale Adversarial Refinement

PSNR/SSIM：29.55/0.8598

在这里插入图片描述

  • OptimalDiff架构：1）Swin Transformer 主干；2）Schr ̈odinger Bridge Diffusion；3）多尺度细化网络（MRefNet）。
  • 训练策略：复合损失函数联合优化，包括扩散损失、基于Sinkhorn的最优传输损失、多尺度SSIM和L1损失以及对抗性损失。

PS：已经成熟的工作，或者在投的文章，边打比赛边科研。

第14名：GAN也有春天

Title: GAN + NAFNet: A Powerful Combination for High-Quality Image Denoising

PSNR/SSIM：29.51/0.86058

  • 模型架构：GAN+NAFNet，激活函数使用SiLU。

  • 损失函数：L1、L2 和 Sobel 损失函数联合优化。

  • 推理阶段：TLC+自集成。

PS：没有结构图，全凭想象。

第15名：虽竞赛但论文

Title: Enhanced Blind Image Restoration with Channel Attention Transformers and Multi-Scale Attention Prompt Learning

PSNR/SSIM：29.30/0.8499

在这里插入图片描述在这里插入图片描述
强烈推荐看4.15这段的描述。

PS：事实证明，模型越复杂性能不一定越好，但改进的模块一定适合发论文。

第16名：走错赛道了？

Title: Towards two-stage OptDenoiser framework for image denoising

PSNR/SSIM：28.95/0.8422

在这里插入图片描述

  • 网络结构：二阶段网络，恢复+优化。第一阶段为Retinexformer，但有锯齿状的边缘、模糊的输出和捕获和表示噪声输入中复杂结构的困难，为了解决上述问题引入MHC，最后添加一个额外的encoder-decoder块。
  • 损失函数：将感知损失函数与亮度色度引导相结合，以减轻颜色不一致，确保视觉上连贯和感知细化的重建。

PS：Retinex理论是低光增强领域的基石，Retinexformer是著名的低光增强模型。用来做去噪还得解决色彩和亮度问题。

第17名：结构图我都不用重新画！

Title: High-resolution Image Denoising via Adaptive Kernel Dilation Transformer

PSNR/SSIM：28.83/0.8374

在这里插入图片描述
ADKT不过多赘述了，详细的论文精读和复现见如下文章：

PS：和15一样，模型越复杂性能不一定越好，但改进的模块一定适合发论文。真实世界去噪效果好的模型不一定在AWGN上效果好。

第18名：Xformer+SwinIR < NAFNet+RCAN

Title: MixEnsemble

PSNR/SSIM：26.85/0.7836

在这里插入图片描述
PS：不应该和第12的NAFNet+RCAN指标差这么多啊。

第19名：一次难得的Diffusion实战机会

Title: Diffusion-based Denoising Model

PSNR/SSIM：26.83/0.8010

在这里插入图片描述
主干为NAFNet（或 UNet）， 基于Refusion: Enabling large-size realistic image restoration with latent-space diffusion models.

第20名：只用UNet是我最后的倔强

Title: High-resolution Image Denoising via Unet neural network

PSNR/SSIM：24.92/0.6972

在这里插入图片描述

总结与思考

  • 主流思路：混合模型多分支SOTA模型输出融合；
  • SOTA模型使用统计（Restormer还是太全面了）：
RestormerNAFNetXformerMambaIRv2PromptIRHATSwinSCUNetRCANGANDiffusion其他
团队序号1，2，3，5，6，8，15，171，12，142，182，773，413，188，11121413，199（自监督+监督），10（HNN），16（Retinexformer），20（UNet）
占比40%15%10%10%5%10%10%10%5%5%10%20%
  • 训练策略：主流为渐进式学习，退火余弦；
  • 推理策略：自集成，重叠块，TLC（3，12，14）；
  • 常用的有效涨点方式：多分支融合（竞赛多分支模型，论文多分支模块），自集成（Model，Model+）；
  • 模型越复杂性能不一定越好，真实世界去噪效果好的模型不一定在AWGN上效果好；
  • Diffusion不适合竞赛，本身偏向无监督，肯定没有监督模型性能好；
  • 给研究生们的启发1：模块排列组合是有效果的，也不用担心和其他人雷同；
  • 给研究生们的启发2：多看看其他领域的方法，底层视觉基本通用；
  • 给研究生们的启发3：数据、模型、训练、推理四个阶段都可以创新，不一定非得盯着模型，改完不work是正常现象；
  • 特殊疑问：没太理解“补丁拼接（将测试块使用AutoStitch拼成与训练图像大小的相同的图像，重叠区域使用线性融合）"为什么会涨点，虽然测试集切块都是按顺序按相同重叠区域裁剪的，但如果改变步长，重叠区域又恰好视差较大，使用AutoStitch拼接会产生伪影，可能是总体上性能提升？

相关专栏

Restormer、NAFNet等去噪方法的论文精读和复现见专栏：【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）

HAT、RCAN等超分方法的论文精读和复现见专栏：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等

与我联系

图像去噪交流群（QQ）：1037809432
VX：shixiaodayyds（可加微信交流群，注明来意）

至此本文结束。

如果本文对你有所帮助，请点赞收藏，创作不易，感谢您的支持！

点击下方👇公众号区域，扫码关注，可免费领取一份200+即插即用模块资料！

【图像超分】前沿资讯：CVPR 2025 10th NTIRE Workshop挑战赛x4图像超分赛道报告！一大批CVPRW论文即将来袭！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-26 105
本文目的：看看顶会的比赛，学习模型改进和实现策略，有利于研究生科研，找ideas。比赛目的：推进有效 SR 模型的开发，并为比较提供统一的基准。全面概述图像超分辨率(SR)领域的最新进展和新兴趋势。作为一个平台发挥作用，使学术研究人员和工业专业人员能够汇聚并产生可能的协作机会。关键词：x4，LR是Bicubic生成。本次x4赛道包含两个子赛道：1）恢复赛道，强调像素准确度，PSNR为排名依据；2）感知赛道，强调视觉真实感，按感知分数排名。
【图像超分】前沿资讯：枯燥且乏味的比赛！Xiaomi永远的神！去年的冠军含金量还在上升！全都是SPAN变体！第十届NTIRE 2025高效超分辨率挑战赛报告，一大批CVPRW论文即将来袭！
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-28 114
第十届NTIRE2025单图像高效超分辨率（Single-Image Efficient Super-Resolution，ESR）挑战赛，旨在推进优化关键计算指标（即运行时间、参数和FLOP）的深度模型的开发，至少在上PSNR达到26.90，在上PSNR达到26.99。是NTIRE2023的第一名，块组合、架构搜索和损失设计的组合；参数量为0.276 M；在DIV2K_LSDIR_valid和DIV2K_LSDIR_test的平均 PSNR 分别为26.93 dB 和 27.01 dB。
旷视研究院荣获 CVPR 2022 NTIRE 双目图像超分辨率比赛第一！
旷视开发者技术社区
04-24 1090
近日，New Trends in Image Restoration and Enhancement (以下简称：NTIRE) 比赛结果揭晓，旷视研究院荣获双目图像超分辨率赛道的冠军。NTIRE 即“图像恢复与增强的新趋势”，是近年来计算机图像恢复领域最具影响力的一场全球性赛事，由苏黎世联邦理工学院计算机视觉实验室（Computer Vision Laboratory,...
CVPR2025 NTIRE | 第二届短视频质量评价与增强竞赛已启动+新数据集KwaiSR
我爱计算机视觉
02-16 276
关注公众号，发现CV技术之美CVPR NTIRE Workshop是计算机视觉领域极具影响力的国际学术研讨会之一，通常涵盖增强、修复、质量评价等底层视觉比赛内容，对于视觉信号处理领域的发展发挥着重要的作用。为推动短视频领域的发展，建立短视频的质量评价和增强修复处理标杆，智能媒体计算实验室（IMCL）联合快手音视频技术部（快手科技有限公司）在第十届NTIRE研讨会（即CVPR NTIRE 2025）...
NTIRE21_Learning_SR_Space:CVPR 2021对超分辨率空间的挑战
05-04
学习超分辨率空间挑战NTIRE 2021在CVPR 与CVPR 2021一起，》学习“学习超分辨率空间”挑战。该挑战的目标是开发一种可以主动采样的超分辨率方法。来自合理的超分辨率空间。 如何参加？ 要参与此挑战，请使用以下链接进行注册，并克隆此存储库以对您的结果进行基准测试。 挑战参加者可以将其论文提交到CVPR 2021研讨会。 解决超分辨率的不适性 通常，使用高分辨率和低分辨率图像对来训练超分辨率（SR）。 可以将无限多个高分辨率图像下采样为相同的低分辨率图像。 这意味着问题是不适当的，无法通过确定性映射来解决。 取而代之的是，可以将SR问题构图为学习随机映射，从而能够在给定低分辨率图像的情况下，从合理的高分辨率图像的空间中进行采样。 在最近的工作中已经解决了这个问题[1,2,3]。 SR问题的一对多随机表述具有一些潜在的优点： 开发更强大的学习方式，可以更好地说明SR问题的不
CVPR 2025 | NTIRE 2025 光场图像超分辨挑战赛正式开赛！
阿木寺的博客
02-05 1271
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—>【超分辨率】交流群添加微信：CVer2233，助手会拉你进群！扫描下方二维码，加入CVer学术星球！可获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪必备！光场图像超分辨挑战赛 （Light Field Image Super-Resolution Challenge）...
CVPR 2025 NTIRE赛事 | XGC质量评价挑战赛AI Generated Video赛道，等你来战！
美团技术团队
02-09 1228
CVPR NTIRE（New Trends in Image Restoration and Enhancement）Workshop 是计算机视觉顶会CVPR下极具影响力的国际学术研讨会，聚焦图像复原、图像增强、生成技术、质量评估的突破性进展。为了促进视频生成技术的持续发展，美团联合上海交通大学在CVPR 2025 NTIRE Workshop上举办XGC质量评价挑战赛（AI Generated...
NTIRE @ CVPR 2021 视频质量增强竞赛：数据库、方法及结果汇总（官方发布）
我爱计算机视觉
05-06 1844
本文转载自知乎，已获作者授权转载。链接：https://zhuanlan.zhihu.com/p/368256419NTIRE 2021 视频质量增强竞赛 （Challenge on Qu...
CVPR NTIRE 2022｜双目超分辨率挑战赛开赛
3D视觉工坊
01-26 1301
编辑丨极市平台NTIRE英文全称是New Trends in Image Restoration and Enhancement，也就是“图像恢复与增强的新趋势”，是近年来计算机图像恢复领...
【图像去噪】论文精读：Multi-level Wavelet-CNN for Image Restoration（MWCNN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-27 1650
论文题目：Multi-level Wavelet-CNN for Image Restoration —— 用于图像恢复的多级小波CNNCVPR 2018！感受野大小和效率之间的权衡是低级视觉中的关键问题。普通卷积网络 (CNN) 通常以计算成本为代价来扩大感受野。最近，已经采用扩张过滤来解决这个问题。但它受到网格效应的影响，由此产生的感受野只是具有棋盘图案的输入图像的稀疏采样。在本文中，我们提出了一种新颖的多级小波 CNN (MWCNN) 模型，以更好地权衡感受野大小和计算效率。
【图像去噪】论文精读：HINet: Half Instance Normalization Network for Image Restoration
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
10-18 471
论文题目：HINet: Half Instance Normalization Network for Image Restoration —— HINet：用于图像恢复的半实例归一化网络超越MPRNet！旷视出品，HINet！在本文中，我们探讨了实例归一化在低级视觉任务中的作用。具体来说，我们提出了一个新的块：半实例归一化块（HIN Block），以提高图像恢复网络的性能。基于HIN块，我们设计了一个简单而强大的多阶段网络HINet，它由两个子网络组成。
事件相机celepixel公司介绍；CVPRW19_CelePixel.pdf
11-19
celepixel公司在CVPR2019 workshop（第二届国际事件相机讨论会）中介绍的公司事件相机的相关资料。
美图获2019 CVPR-NTIRE图像增强比赛冠军 | 广东省智能创新协会
zhinengxiehui的博客
04-29 1675
          近日，NTIRE（New Trends in Image Restoration and Enhancement workshop and challenges）比赛结果公布，美图影像实验室MTlab在图像增强赛道（Image Enhancement Challenge）中斩获冠...
CVPR录用+NTIRE冠军！清华提出首个高光谱图像重建Transformer
深度学习技术前沿
05-13 863
来源：新智元话不多说，先上结果。图1 MST 与 MST++ 与 SOTA 算法的对比图（横轴代表计算量，纵轴代表性能，圆半径代表参数量）由上图可以得出，MST 与 MST++不仅消耗的计算量少，而且参数量也非常小。如此看来，刷个 SOTA 入个顶会也是情理之中了——MST 被 CVPR 2022 接收，其改进版 MST++ 被 CVPRW 2022 接收，并且在 NT...
新视频超分算法来了！CVPR 2021 & NTIRE2021冠军方案
阿木寺的博客
04-17 2578
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文作者：OpenMMLab |来源：知乎https://zhuanlan.zhihu.com/p/36487299...
（CVPRW，2024）可学习的提示：遥感领域小样本语义分割
lalula的博客
06-03 2551
小样本分割是一项任务，它要求在只有少量标注示例的情况下，对图像中新类别的对象或区域进行分割。在一般设置中，任务扩展到同时分割基础类别和新类别。主要挑战在于如何训练模型，以便新增新类别不会损害基础类别的性能，这也被称为灾难性遗忘。为了缓解这个问题，我们使用SegGPT作为我们的基线模型，并在基础类别上对其进行训练。然后，我们使用独立的可学习提示来处理每个新类别的预测。为了处理通常在遥感领域出现的多种对象大小，我们执行基于补丁的预测。为了解决补丁边界处的不连续性问题，我们提出了一种。
[论文速度] 超分系列：基于频率分离的图像超分辨率算法 两篇 ICCVW 2019 和 CVPRW 2020
u014546828的博客
01-31 4216
Frequency Separation for Real-World Super-Resolution [PAPER]
NTIRE 2023 Challenge on Efficient Super-Resolution——RepRFN：当RFDN遇到重参数化
weixin_43800577的博客
07-12 4503
为了解决在资源受限的设备上很难部署超分模型（模型参数、计算量过大）的问题，本文探索了轻量化超分中信息蒸馏机制（information distillation mechanism）和残差学习机制（residual learning mechanism）在性能和效率上的差异，提出了基于重参数化（reparameterization）的轻量级超分网络结构，叫做RepRFN。
图像增强新技术：NTIRE19-CVPR19比赛中的内容保持色调调整
标题中提到的“content-preserving-tone-adjustment-for-image-enhancement:图像增强比赛-NTIRE19-CVPR19”涉及了图像处理和增强的领域，特别是针对内容保持色调调整的图像增强技术。图像增强是数字图像处理中的一个...
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

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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