随笔分类 - 论文
摘要：大佬链接：Restormer: Efficient Transformer for High-Resolution Image Restoration - 知乎 (zhihu.com) 一. Motivation 1.CNN感受野有限，因此无法对长距离像素相关性进行建模；卷积滤波器在推理时具有静态权
阅读全文
摘要：一、Motivation 1、单模态监督问题：大多数方法往往只考虑从图像层面监督增强过程，而忽略了图像的详细重建和多模态语义对特征空间的指导作用。这种单模态监督导致不确定区域的次优重建和较差的局部结构，导致视觉结果不理想的出现。 》扩散模型缺乏有效性约束，容易出现多种生成效应 2、简单的引入CLIP
阅读全文
摘要：一 Motivation 膨胀卷积采用固定的膨胀率会丢失高频信息，使得权重向低频信息移动。 二 Contribution 三 Network 四 Exp
阅读全文
摘要：一、Motivation 1、目前的方法严重依赖于具有像素级对齐的精确对齐配对数据集（感觉像是说L1，不确定==） 二、Contribution 使用离散傅里叶变换(DFT)将图像特征转换到频域，在计算预测图像和参考值GT 振幅和相位的SWD(Sliced Wasserstein Distance)
阅读全文
摘要：一、Motivation （1）监督方法在收集低光/正光图像对时成本高。 （2）无监督方法投入大量精力来制作复杂的损失函数。 question：如何设计一种既能减轻对成对数据的依赖又能利用简单损失函数的训练范式 （3）普通CNN只是局部处理，很难进行和其他块的关注，但是基于self-attentio
阅读全文
摘要：1. 任务描述: 给定输入LR深度图 和HR RGB 图像 ，引导DSR目的是在ground-truth深度图 监督的条件下，预测HR深度图 2. Network 本文提出的SGNet主要包括两部分，即梯度校准模块(GCM)和频率感知模块（FAM）。首先将RGB图像 和上采样后的LR深度图 送入到G
阅读全文
摘要：大佬博客：https://zhuanlan.zhihu.com/p/655679978 1.Forward Process stochastic differential equation (SDE) 随机微分方程 DDIM中，向前过程ODE（Ordinary Differential Equati
阅读全文
摘要：1.AutoEncoder AutoEncoder（自编码器）是一种无监督学习的神经网络模型，用于学习有效的数据表示。它的目标是将输入数据编码成一种潜在的、紧凑的表示形式，然后从这个表示中重构原始输入。自编码器由两部分组成：编码器（Encoder）和解码器（Decoder）。编码器（Encoder）
阅读全文
摘要：论文疑点： 1. 怎样利用低维度紧凑的潜在空间减少了计算负担
阅读全文
摘要：三. Network 1. 2. FLB： 没看懂是怎么分离的水平和竖直方向 3. SLB：每一层保留一半的通道特征用于细化，其余的在特征重构后输出（没看懂）。 Multi-distillation Network 超分辨网络的Multi-distillation Network(2019ACMMM
阅读全文
摘要：一. Motivation 1. transformer的工作主要集中在设计transformer块以获得全局信息，而忽略了合并高频先验的潜力 2. 关于频率对性能的影响的详细分析有限（Additionally, there is limited detailed analysis of the i
阅读全文
摘要：一. Motivation 之前网络存在的缺点： 1. 使用了有限的频域信息 2. 不充足的信息交互 ： (1) 第一阶段的输出直接作为第二阶段的输入，忽略了中间特征从早期到后期的传播 (2) 在编码器解码器结构同尺度之间进行特征融合，忽略了阶段内和跨阶段的跨尺度信息交换 3. 严重的特征冗余：中间
阅读全文
摘要：一. Motivatetion 跨域效果不好：在已知亮度的数据集上表现良好，在未知亮度的数据集上表现不好，泛化性能较差。 挑战：如何识别和亮度相关的通道并进行选择，并且获得泛化能力 归一化：从给定特征中提取不变的良好的良好特性，特别对于亮度分量 [ 归一化和亮度相关的特性： 1. 亮度一致性： 实例
阅读全文
摘要：一. Motivation (1) Retinex理论没有考虑到噪声，并且基于Retinex分解的网络通常需要很多阶段训练。 (2)直接使用从CNN从低光图像到正常光图像的映射忽略了人类的颜色感知，CNN更适合捕获局部信息，对于捕获远程依赖和非局部自相似性方面存在局限。 二.Contribution
阅读全文
