High-Frequency aware Perceptual Image Enhancement 论文解读

最新推荐文章于 2025-12-04 14:20:04 发布
原创 最新推荐文章于 2025-12-04 14:20:04 发布 · 497 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #人工智能 #深度学习 #算法

本文深入探讨了一种针对图像去噪、去模糊和单图像超分辨率等任务的模型，旨在解决过度平滑问题。通过高频域视角，论文提出了多尺度边缘过滤、特征注意力模块、高通滤波损失和软梯度幅度相似度图遮罩等方法。

目录

评论

该论文主要解决的是over-smoothing问题。从high-frequency domain的角度考虑，提出了一种适用于多尺度图像复原问题，比如去噪，去模糊和单图像超分的模型。
文章构思及排版不好，对读者不是很友好（纯属个人评价）。
论文地址：https://arxiv.org/pdf/2105.11711.pdf

方法

在这里插入图片描述

Multi-scale Edge Filtering

在这里插入图片描述

Feature Attention Module

在这里插入图片描述
在这里插入图片描述

High-Pass Filtering Loss

最低0.47元/天 解锁文章
【图像增强（Image Enhancement ）】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、关于答疑、文章目录、与我联系等（持续更新中...）
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】
09-01 3004
专栏内涉及的算法都是基于深度学习的图像增强算法；收录的文章基本上是基于Pytorch框架实现的，部分基于Tensorflow；预计完成100篇论文，并持续更新；专栏内文章主要为两部分：【论文精读】与【论文复现】论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算综合而言，从大到小拆解模型结构，从小到大实现模型搭建。实现论文与源码的统一，深入理解论文行文逻辑与代码实现逻辑，融汇贯通二者思想，并学以致用。
CVPR2024｜底层视觉(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总（附论文链接/开源代码/解析）【持续更新】
热门推荐
Kobaayyy的博客
02-27 2万+
整理汇总下今年CVPR底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务
论文阅读笔记：Frequency-Aware Contrastive Learning for Neural Machine Translation
weixin_47113960的博客
05-31 951
论文链接：https://arxiv.org/abs/2112.14484 author={Zhang, Tong and Ye, Wei and Yang, Baosong and Zhang, Long and Ren, Xingzhang and Liu, Dayiheng and Sun, Jinan and Zhang, Shikun and Zhang, Haibo and Zhao, Wen}, journal={arXiv preprint arXiv:2112.14484}, year={
Frequency-Aware Self-Supervised Monocular Depth Estimation——论文笔记
m_buddy的博客
02-14 506
介绍：在自监督深度估计算法中采用光度重构误差作为约束函数，但是这个约束函数却是存在不足的，也就是损失的大小在某些区域不能真实反应深度预测的误差大小，如图像中的高频区域，从而给整体算法Loss带来歧义（深度估计误差于光度重构误差的比例不正相关）。对于这个问题文章提出了两种策略去缓解高频区域处不确定性带来的歧义：1）Ambiguity-Masking：通过感知图像中的高频信息分布（图像梯度变化），给光度重构误差增加一个权重因子，从而缓解高频信息处Loss的不确定性。
2024年6月12日Arxiv人工智能相关论文
数智笔记
06-12 1650
双重思维框架考虑了快速、直觉性处理和较慢、逻辑性处理。在视觉中对双重思维的感知需要图像，其中从直觉和逻辑处理中推断出的结果不同。我们引入了一个对抗性数据集，为人类视觉中的双重思维框架提供证据，这也有助于研究深度学习模型的定性行为。我们的研究还通过使用定位对象的实例分割模型来解决使用分类模型作为人类视觉计算模型的一个主要批评。证据强调了在人类视觉中识别实例的形状的重要性，并显示出深度学习模型缺乏对子结构的理解，这表明与子组件的位置和数量相关的错误。
Frequency-aware Feature Fusion for Dense Image Prediction
通街是密人有的博客
11-11 2464
密集图像预测任务要求具有高分辨率的强类别信息和精确的空间边界细节特征。为了实现这一点，现代分层模型通常利用特征融合，直接添加来自深层的上采样粗特征和来自较低层次的高分辨率特征。在本文中，我们观察到融合特征值在对象内的快速变化，由于高频特征的干扰导致类别内不一致。此外，融合特征中模糊的边界缺乏准确的高频，导致边界位移。基于这些观察结果，我们提出了频率感知特征融合（FreqFusion），集成了自适应低通滤波器（ALPF）生成器，偏移生成器和自适应高通滤波器（AHPF）生成器。
(即插即用模块-Attention部分) 三十四、(2022) FACMA 频率感知跨通道注意力
wei582636312的博客
01-05 2003
现有的 RGB-D 显著目标检测方法通常将 RGB 图像和深度图视为两种模态，并平等地对待它们。然而，这两种模态在频域中存在差异，例如，RGB 图像包含更多高频成分（细节、纹理），而深度图包含更多低频成分（平坦区域）。而传统的注意力机制（如全局平均池化）则难以保留不同模态中互补的频率成分，从而导致信息丢失。
Low-Light Image and Video Enhancement Using Deep Learning: A Survey 论文阅读笔记
read, note and comment papers
01-05 6746
2021 低光图像质量增强 survey 的一个论文阅读笔记
AAAI-2024 扩散模型(Diffusion Model)相关论文（65篇）
weixin_42155685的博客
11-09 2015
文章解读: http://www.studyai.com/xueshu/paper/detail/008af89b52文章链接:(10.1609/aaai.v38i4.28147)文章解读: http://www.studyai.com/xueshu/paper/detail/027b58e670文章链接:(10.1609/aaai.v38i16.29773)文章解读: http://www.studyai.com/xueshu/paper/detail/0cd849213a文章链接:(10.1609/aa
Fast Perceptual Image Enhancement
qq_42250642的博客
06-10 555
Fast Perceptual Image Enhancement 论文简介 这篇文章是ECCV-PRIM2018年挑战赛的，在图像增强任务上获得第二名，它是在DSLR论文的模型作为baseline，在它的基础上改进了生成器模型，判别器模型和loss函数的设计都跟baseline一样，但其速度大大提升，因此可以适用于移动设备上。 这篇文章通过在较低空间分辨率下完成大部分处理的网络架构，在CPU上实现了显著高于基准的平均意见得分(MOS)，同时将计算速度提高了6.3倍。 网络结构 DSLR网络结构 本文的生
LITv2来袭 | 使用HiLo Attention实现高精度、快速度的变形金刚，下游任务均实时
qq_29462849的博客
06-02 1582
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童近两年来，ViT 在计算机视觉领域的取得了很多重大的突破。它们的高效设计主要受计算复杂度的间接度量（即 FLOPs）指导，但与吞吐量等直接度量存在明显差距。因此，LIT作者建议使用目标平台上的直接速度评估作为高效 ViT 的设计原则。因此本文提出了 LITv2，一种简单而有效的 V...
Learned Perceptual Image Enhancement笔记
沉剑池
05-21 1229
摘要与引言 图像增强模型的学习过程涉及到如L1/L2等损失函数的优化，虽然这些损失函数对优化来说是友好的（optimization-friendly），但使用这些损失函数通常难以产生对人类感知有吸引力的（perceptually compelling）结果，甚至导致感知失真（perceptual distortion）的缺陷。本文提出在损失函数中加入一项学习得到的无参考的图像质量度量标准（lear...
Triple-Domain Feature Learning With Frequency-Aware Memory Enhancement for Moving ISTD
weixin_45358930的博客
07-17 925
该论文提出了一种基于三域特征学习和频率感知记忆增强的红外小目标检测方法。其核心创新点是对齐器的设计，通过融合参考帧参数（$K_M$和$V_M$）与原始位置特征（$K_Q$和$V_Q$），利用Softmax生成定位编码$M_s$，实现深层语义与浅层位置的对齐映射。然而，这种方法可能过于简化，当场景中存在相似目标时，对齐效果可能受限。
“频域+注意力”秀翻全场！多个A会手到擒来！新作参数量狂降160倍！
2401_88190197的博客
11-30 1067
一方面，传统的注意力机制魔改方法，早已“红海”，被审稿人认为创新不足；而基于频域视角，则是全新的思路，目前的研究还比较少，可发挥空间大！另一方面，这种结合不仅能提升模型的精度，还能优化计算效率，并增强模型的泛化能力，在CV、NLP、时间序列等领域，都能看到它的身影！比如CVPR24的模型SFSNiD便在图像去雾任务中，性能远超SOTA；AAAI24的FDD模型，则在深度伪造检测任务中，在准确率提高9.8％的同时，参数减少160倍……为让大家能够深入理解该思路，用到自己的文章中，我15种。
Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues
liguandong
05-28 2020
F3-Net 商汤Deepfake检测模型 - 知乎前言这篇论文是商汤团队在ECCV2020的一个工作： Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues，通过引入两种提取频域特征的方法FAD (Frequency-Aware Decomposition) 和LFS (L…https://zhuanlan.zhihu.com/p/260998460 本文还是很值得读的，在篡改检测上应用...
顶刊TPAMI 2024！北理等提出FreqFusion，让CVPR投稿轻松涨点
Paper weekly
09-17 5117
©PaperWeekly 原创 ·作者 |知凡单位 |北京理工大学研究方向 |图像检测分割大家是不是埋头准备 CVPR 2025 的投稿苦于涨点困难？快来看看热气腾腾的新鲜TPAMI 2024 论文：论文标题：Frequency-aware Feature Fusion for Dense Image Prediction论文链接：https://www.arxiv.org/abs/24...
新注意力机制！LITv2：具有HiLo注意力的快速视觉Transformer
阿木寺的博客
06-02 5647
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童Fast Vision Transformers with HiLo Attention论文：‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍https://arxiv.org/abs/2205.13213‍代码（即将开源）：https://github.com/zip-group/LITv2近两年来，Vi...
ICCV2021 频域图像翻译 Frequency Domain Image Translation: More Photo-realistic, Better Identity-preserving
u014546828的博客
11-27 4108
本文提出了一种新的频域图像翻译(FDIT) 框架，利用频率信息增强图像生成过程（研究方法）。本文的主要想法是将图像分解为低频和高频成分，其中高频特征捕获类似于 identity 的对象结构（核心思想）。本文的训练目标有利于在像素空间和傅里叶频谱空间中保持频率信息（方法优/特点）。
【红外小目标检测实战 四】使用风车卷积和Neck多层融合改进
最新发布
AutumnorLiu的博客
12-04 579
目前此网络召回率达到0.94，已经达到我的心理预期了，计算量只有16.7G FLOPs，可以说是很低了，完全可以实时在边缘设备推理。
SNR-Aware Low-light Image Enhancement
04-18
回答：对于这个问题，我可以尝试给出一些帮助性的建议和方法，但不保证一定能解决问题。首先，对于低光照条件下的图像增强，可以考虑使用一些图像处理算法，如直方图均衡化、局部自适应对比度增强等。...
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