深度学习——Iterative Boost Convolutional LSTM Network

最新推荐文章于 2024-12-28 11:22:12 发布

浮生若梦，为欢几何耶

最新推荐文章于 2024-12-28 11:22:12 发布

阅读量774

点赞数

分类专栏：深度学习--降噪文章标签：深度学习 pytorch 神经网络 python 人工智能

本文链接：https://blog.csdn.net/weixin_51352656/article/details/112135504

版权

本文介绍了CVPR2020的一项研究，提出了一种名为Iterative Boost Convolutional LSTM Network (IBCLN)的网络结构，用于真实世界单幅图像去反光。网络利用LSTM进行跨级信息传递，并采用残差重建损失函数指导去反光过程。通过级联的LSTM卷积网络，不断优化背景和反光层，实现图像的逐步分离。此外，文章还构建了一个真实世界图像数据集，包含密度标签的ground truth图像，用于训练和评估模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

CVPR2020原论文：Single Image Reflection Removal through Cascaded Refinement
开源代码（pytorch框架）：https://github.com/JHL-HUST/IBCLN
1.主要工作：
提出了层级优化网络结构（Iterative Boost Convolutional LSTM Network ，IBCLN）完成真实世界单幅图像去反光。

退化图像I=transmission layers（背景） + reflection layers（反光）
即：I=T+R

IBCLN是一种级连的网络结构，即通过多次循环迭代优化transmission layers（背景）和 reflection layers（反光），最终实现高质量去反光。
使用了长短期记忆单元（LSTM）实现图像信息的跨级传递，即前一优化阶段的信息向后传递，为后面优化阶段提供辅助信息。
提出了残差重建损失函数，能够闭环线性地生成人工合成反光图像。进一步指导去反光。
构造了真实世界图像数据集，包含带有密度标签的ground truth图像。能够为今后的进一步研究提供基础数据。

2.主体网络架构:
在这里插入图片描述
主要分为两个子网络部分： transmission-predic