image restoration
PulseAugur coverage of image restoration — every cluster mentioning image restoration across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架评估合成雾中的无人机检测与跟踪
研究人员开发了一个新的框架，用于评估在雾天条件下无人机（UAV）的检测和跟踪能力。该框架使用从真实图像生成的合成雾来测试各种图像恢复方法及其对目标检测和跟踪性能的影响。研究发现，雾会显著降低检测和跟踪性能，其中包含雾的训练提供了最稳健的改进，而测试时恢复在仅在清晰图像上训练的模型时最有效。研究强调，恢复质量并不总是与下游感知任务的改进直接相关。
-
脉冲神经网络提供高效图像恢复
研究人员开发了一种新颖的脉冲金字塔小波变换（SPWM）模型，用于图像恢复任务。该模型利用脉冲神经网络（SNN）和脉冲双金字塔小波（SDPW）块来捕获长距离依赖关系，并降低计算成本和能耗。实验表明，SPWM 在保持图像质量的同时显著降低了资源需求，凸显了 SNN 在资源受限设备上实现高效图像恢复的潜力。
-
新框架将网络等变性与数据对称性联系起来用于图像复原
研究人员开发了一个新的理论框架，以更好地理解图像复原任务中网络等变性与数据对称性之间的关系。他们提出了一个在数据集层面上对非严格对称性的可量化定义，并利用它来约束复原问题，从该约束中推导出模型等变性。这种方法产生了一个自适应的等变网络，能够动态地与单个样本的对称性对齐，在超分辨率、去噪和去雨实验中表现优于现有方法。
-
新的扩散模型技术加速视频恢复和图像采样
研究人员开发了改进扩散模型以解决各种逆问题的[新方法](https://arxiv.org/abs/2405.18483)。一种名为AVIS的方法使用自回归扩散模型来加速视频恢复，显著降低延迟并提高吞吐量。另一项开发LAMP通过结合滞后时间校正来增强用于图像恢复任务的扩散后验采样器。此外，Stein Diffusion Guidance (SDG) 提供了一个无训练的后验校正框架，能够更有效地指导低密度区域，用于图像生成和蛋白质对接等任务。