MS-SSIM
PulseAugur coverage of MS-SSIM — every cluster mentioning MS-SSIM across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型正交多小波可提供改进的图像压缩和去噪
研究人员利用矩阵谱分解的快速Bauer方法，开发了两种具有超紧支撑的新型正交多小波。这些新的多小波具有正交性和对称性/反对称性，其中一种在编码和光滑性方面优于现有的超紧多小波。在边缘检测、图像压缩和信号去噪方面的评估表明，这些新的多小波在SSIM和MS-SSIM等指标上优于GHM、SA4、CL、Integer Haar和Alpert等其他多滤波器。
-
新的H.264自适应量化方法提高了视频编码效率
研究人员开发了一种新的H.264视频编码自适应量化控制方法，解决了为感知质量或机器视觉任务等特定目标优化编解码器参数的挑战。他们的方法利用了一个可微代理，该代理近似H.264的率失真行为，从而实现基于梯度的优化。这种基于代理的自适应量化框架在率-任务权衡方面显示出改进，在语义分割和MS-SSIM方面实现了显著的BD率降低。
-
DeLux 管道使用神经形态数据修复视频伪影
研究人员开发了 DeLux，一个新颖的跨模态修复管道，旨在解决 RGB 视频中的光照伪影。该系统利用神经形态事件流作为结构先验，以指导检测和修复诸如耀斑、眩光和过曝等伪影。DeLux 在真实汽车录像中，与现有的仅 RGB 和事件引导的 HDR 模型相比，表现出卓越的性能，MS-SSIM 值超过 0.99，并显著降低了伪影的严重程度。
-
新型Transformer模型高精度预测城市电磁场图
研究人员开发了一个新的多模态框架，使用高分辨率Transformer（HRFormer）来预测城市电磁场（EMF）图。该方法整合了建筑布局图像和天线配置，以生成详细的电磁场图，这对于蜂窝网络规划至关重要。该模型采用特征化线性调制（FiLM）和交叉注意力机制进行条件化，以及一种新颖的复合损失函数，通过上调高信号像素来提高预测精度。
-
新方法提升神经视频编解码器泛化能力
研究人员开发了一种新颖的无训练尺度驱动在线流细化（SOFR）方法，以增强神经视频编解码器（NVC）的泛化能力。该即插即用模块整合了多尺度的运动信息，并动态融合它们以最小的计算成本纠正运动估计误差。SOFR还包含一个感知比特率的策略和一个可靠性检查以提高鲁棒性，在USTC-TD数据集上，跨DCVC-SDD、DCVC-FM和EHVC等多种NVC框架均实现了显著的比特率节省。
-
新AI方法改进胎儿超声图像，以更好地保留解剖结构
研究人员开发了一种新颖的两阶段框架，用于改进胎儿超声重建，重点关注关键解剖区域。该方法使用卷积自编码器学习潜在表示，然后使用特定的强度和边缘约束来优化感兴趣区域（ROI）。该方法在不同医院之间展示了改进的重建质量和泛化能力，表明其在其他需要关注临床重要小区域的医学成像任务中具有潜在应用价值。