![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
文献阅读
文章平均质量分 95
图像处理
努力中的小胖纸
这个作者很懒,什么都没留下…
展开
-
MSANet --- 文献阅读
MSANet阅读笔记原创 2024-01-31 18:15:43 · 704 阅读 · 0 评论 -
MIRNet --- 文献阅读
MIRNet文献阅读笔记原创 2024-01-27 17:57:05 · 1018 阅读 · 0 评论 -
EDCNN --- 文献阅读
EDCNN翻译原创 2024-01-18 23:42:22 · 1049 阅读 · 1 评论 -
SwinIR --- 论文阅读
SwinIR论文阅读-主要关于图像去噪相关部分原创 2024-01-12 22:44:29 · 967 阅读 · 1 评论 -
基础Transforemer架构 ------mobileViT
mobile vit翻译原创 2023-03-20 03:16:09 · 324 阅读 · 0 评论 -
图像复原 -----MIRNet
MIRNet文献阅读笔记原创 2023-03-18 18:12:37 · 197 阅读 · 0 评论 -
图像复原 ---SUNet
在本文中我们提出了一种称为SUNet的恢复模型,它使用Swin Transformer层作为我们的基本块,然后应用于UNet架构以进行图像去噪原创 2023-03-16 09:10:03 · 1875 阅读 · 0 评论 -
图像复原 ---SwinIR
在本文中,我们提出了一个强大的基线模型SwinIR,用于基于Swin Transformer的图像恢复。SwinIR由三部分组成:浅层特征提取、深层特征提取和高梓良图像重建。特别地,深度特征提取模块由几个残差Swin Transformer块(RSTB)组成,每个有几个Swin Transformer层和一个剩余连接。我们对三个代表性任务进行了实验:图像超分辨率(包括经典、轻量级和真实世界图像超分辨像超分辨率)、图像去噪(包括灰度和彩色图像去噪)和JPEG压缩伪影减少。原创 2023-03-15 21:16:55 · 405 阅读 · 0 评论 -
图像复原 --- Restormer
我们提出一个restormer网络,包含MDTA和GDFN模块,其中MDTA模块通过跨通道而不是空间维度应用自注意力来隐式建模全局上下文,因此具有线性复杂度而不是二次复杂度。 此外,所提出的门控 Dconv 前馈网络 (GDFN) 引入了一种门控机制来执行受控的特征转换。 为了将 CNN 的优势整合到 Transformer 模型中,MDTA 和 GDFN 模块都包含用于编码空间局部上下文的深度卷积。原创 2023-03-11 19:15:12 · 1002 阅读 · 0 评论 -
医学图像去噪 -----Eformer
本文提出了一种基于残差学习的医学图像去噪模型。 我们利用Transformer和边缘增强模块来产生高质量的去噪图像,并使用多尺度感知损失和传统的MSE损失相结合的方法来实现最先进的性能。原创 2023-03-09 23:57:30 · 1539 阅读 · 3 评论 -
医学图像去噪 -----EDCNN
本文提出了一种新的基于稠密连通卷积结构的去噪模型,即基于边缘增强的稠密连通网络(EDCNN)。 通过设计的基于可训练Sobel算子的边缘增强模块,该方法能够自适应地获取输入图像更丰富的边缘信息。 此外,我们还引入了复合损失函数,它是MSE损失和多尺度感知损失的加权融合。原创 2023-03-08 20:52:57 · 3201 阅读 · 2 评论 -
真实图像去噪 ----SADNet
SADNet文献阅读笔记原创 2023-03-07 21:54:20 · 111 阅读 · 0 评论 -
真实图像去噪 ---PRIDNet
PRIDNet文献阅读笔记原创 2023-03-07 11:11:56 · 379 阅读 · 0 评论 -
真实图像去噪 ---CycleISP
基于RAW域和RGB域的图像去噪原创 2023-03-06 20:36:58 · 103 阅读 · 0 评论