peak signal-to-noise ratio
PulseAugur coverage of peak signal-to-noise ratio — every cluster mentioning peak signal-to-noise ratio across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
JAX3D 支持分层 NeRF，实现高级三维渲染和重建
研究人员开发了一种使用 JAX 和 jax3d 库创建分层神经辐射场（NeRF）的方法。该方法支持体积渲染、新视角合成和三维重建。本教程详细介绍了构建合成数据集、实现带有位置编码和分层采样的 NeRF，以及使用 JAX 的 JIT 编译和 Adam 优化进行训练的过程。结果通过 PSNR 等指标以及深度、不透明度和提取几何形状的视觉输出来评估。
-
新的LaST-SR方法通过复频率分解增强图像超分辨率
研究人员推出了一种新颖的单图像超分辨率方法LaST-SR，该方法利用复频率分解技术。该技术结合了用于广泛图像上下文的全局傅里叶分支和用于详细变化的局部复频率分支。一个协作聚合模块融合了两个分支的特征，从而改进了不规则结构和精细细节的重建。实验表明，在2倍和4倍超分辨率的PSNR和SSIM方面，LaST-SR的性能优于现有方法。
-
新的分解方法通过锥约束增强图像恢复
研究人员开发了一种新的图像恢复方法，该方法使用全尺度梯度变分（TSGV）正则化器的锥约束双线性分解。该方法解决了TSGV正则化器非凸性带来的计算挑战，提供了一个具有锥或球约束的等效优化问题。该方法通过交替最小化求解，表现出单调能量下降和全局收敛性。在高斯去噪和非视线成像中的实验表明，与现有的变分方法相比，在峰值信噪比和结构相似性度量方面，性能具有竞争力或更优，尤其是在高噪声水平下。
-
医学基础模型增强脑部MRI造影剂剂量模拟
研究人员开发了一种新的脑部MRI造影剂剂量模拟方法，该方法利用医学基础模型的特征作为感知损失。与使用标准自然图像骨干网络相比，这种方法旨在提高图像合成的准确性。研究发现，RadImageNet模型在作为特征提取器使用时，在减少残余增强和在脑部MRI模拟中保持忠实的剂量降低轨迹方面表现出优越的性能。
-
研究发现深度学习MRI重建模型缺乏安全性评估
最近一项发表在arXiv上的研究评估了用于脑部MRI重建的深度学习模型的安全性。研究发现，目前依赖PSNR和SSIM等指标的评估方法不足以检测到关键故障，例如病灶擦除或合成虚假组织。该论文强调，易产生幻觉的生成模型尤其缺乏充分评估，并且读者评估的普遍性随时间推移而下降。作者们得出结论，现有实践无法保证诊断安全，并提出了未来面向安全的评估的五项要求。
-
PixelIR框架将图像保真度和感知度解耦，用于超分辨率
研究人员推出了一种新颖的图像超分辨率框架PixelIR，该框架将保真度和感知质量解耦。与之前同时优化这两个目标的方法不同，PixelIR首先生成忠实的重建，然后合成感知上逼真的细节。该方法通过像素空间图像残差流匹配实现。该框架已被提炼成一个高效的一步学生模型，在PSNR、SSIM和LPIPS指标上取得了最先进的结果，同时保持了保真度、感知度和效率的良好平衡。
-
新的VTON评估框架DAT超越Gemini、Qwen和GPT-5.5
研究人员开发了一个名为DAT的新框架，以更有效地评估虚拟试穿（VTON）模型。现有的FID和SSIM等指标难以捕捉服装的保真度，因此DAT将一致性分解为七个特定维度，包括轮廓、颜色和纹理。该框架在一个大型数据集上进行了训练，并可以集成到强化学习中以优化VTON模型，在评估中超越了Gemini 3.1、Qwen3.7-Plus和GPT-5.5等专有模型。
-
研究：投影选择影响360度内容的学习视频压缩
一篇新的研究论文探讨了不同的投影格式如何影响360度内容的端到端学习视频压缩的效率。研究发现，等距柱状投影和填充等距柱状投影对于神经压缩模型最有效，这与传统编解码器中基于立方体贴图的格式表现更好不同。这些发现为优化基于学习的360度视频压缩系统中的投影选择提供了指导。
-
新的ABCD框架可在有限显存上训练大规模辐射场
研究人员推出了一种新颖的核外训练框架ABCD（Alpha-Composited Block Coordinate Descent），专为大规模辐射场设计，并以3D高斯溅射为例进行了演示。该方法通过将训练重构为块坐标下降，一次只激活一个参数块，从而优化内存使用。通过预渲染并将非活动区域折叠成RGBA图像，ABCD显著降低了峰值显存需求，使得在内存有限的GPU上训练大型场景成为可能。实验表明，与标准方法相比，ABCD在峰值信噪比方面仅有不…
-
新框架解决了图像恢复中的持续学习问题
研究人员开发了一个名为“无遗忘的恢复”（RwF）的新颖框架，以解决图像恢复任务中的持续学习挑战。该框架使模型能够顺序适应新的图像退化，而不会丢失在先前学习的退化上的性能，这是传统微调方法的一个常见问题。RwF通过为每次新的退化学习轻量级适配器来实现这一点，显著提高了性能，优于朴素微调，并在识别未见输入的正确恢复路径方面表现出高精度。
-
新的自编码器方法使用潜在表示量化图像差异
研究人员开发了一种使用基于自编码器的潜在表示来量化图像差异的新方法。该方法利用深度神经网络捕获高级语义信息，提供了比传统的像素级指标（如MSE和PSNR）更具感知相关性的度量。在包括狗猫图像和TID2013数据集在内的各种数据集上的评估表明，潜在空间距离能有效区分视觉上不同的图像，并与人类对图像质量的感知相关。该方法计算效率高，在图像检索和质量评估方面具有潜在应用。
-
新型AI模型增强低光照无人机影像以进行桥梁损伤检测
研究人员开发了DaL-MoE，一种新的图像恢复技术，旨在利用无人机（UAV）在低光照条件下提高桥梁损伤检测能力。该方法采用ISP感知合成流程和退化感知引导，并配备了专门用于增强噪声、颜色和结构细节的专家。当与YOLOv11m检测模型集成时，DaL-MoE在合成数据上显著提升了性能，增加了边界框和掩码的mAP50。对真实世界低光照无人机影像的初步评估表明，与直接推理相比，缺陷可见性得到增强，检测结果更全面。
-
新的GS-Net模块通过更快的3DGS提升自动驾驶数据重用性
研究人员开发了GS-Net，一个旨在增强不同自动驾驶车辆间数据重用性的新型模块。该即插即用系统聚合了来自稀疏运动恢复（Structure-from-Motion）点云的几何上下文，并将其扩展为密集的高斯图元，从而为3D高斯泼溅（3D Gaussian Splatting）实现更快、更具泛化性的初始化。GS-Net显著提高了内插和外插视图的渲染质量，解决了目标相机视角位于训练相机凸包之外的、研究不足的外插区域问题。为了便于评估，该团队还…
-
AutoLumNet框架提供最先进的单次图像曝光校正
研究人员推出AutoLumNet，一个用于图像单次曝光校正的新型框架。该系统将校正过程分解为全局单调色调曲线和局部残差，确保全局组件符合正式保证。色调曲线的构建旨在保留亮度顺序，并使用排序样本 Wasserstein-2 目标进行优化。该框架还使用有界残差解码器来处理阴影和颜色偏移等局部效应。在五个基准上的实验表明，AutoLumNet在PSNR和SSIM方面表现出最先进的性能，处理速度快，并且无需重新训练即可有效地泛化到低光照条件。
-
受量子启发的TT-Net利用张量网络推进图像去噪
研究人员推出了一种新颖的图像去噪方法TT-Net，该方法利用受量子启发的张量网络方法。与使用奇异值分解（SVD）处理单个通道的现有方法不同，TT-Net采用双切张量链分解来访问跨通道信息。这一进展使得TT-Net在处理高斯噪声、运动模糊和椒盐噪声等各种噪声类型时，在去噪质量上优于SVD-Net。该研究还表明，受量子启发的工具可以作为深度学习应用中有效的特征过滤器。
-
SFMformer凭借新颖的Transformer设计在图像超分辨率方面达到SOTA
研究人员开发了SFMformer，这是一种用于图像超分辨率的新型轻量级Transformer模型，取得了最先进的成果。该模型采用新颖的空间-频率调制方法，将空间增强与小波域调制相结合，以改进注意力机制。这种协同设计使得SFMformer能够超越传统的加性增益，尤其是在模块解决不同约束时。该模型保持了较小的参数量，使其适用于Raspberry Pi 5等资源受限设备的部署，并在多个基准测试中展示了顶级性能。
-
新的SAR去斑方法在基准测试中达到顶级性能
研究人员开发了一种新颖的合成孔径雷达（SAR）去斑方法，该方法可在不遮挡重要散射结构的情况下去除SAR图像中的噪声。新技术重新审视了非局部稀疏估计器，应用了log--Yeo-Johnson变换并将相似的块编码为组。这种方法确定性地固定了可调参数，包括从随机矩阵理论导出的几何校准校正，该校正将多个设置合并为一个解析确定的自由度。由此产生的估计器无需训练，并在合成基准测试中与十二种已发布的方法进行的24次比较中的18次中排名第一，在实际S…
-
新的4D-SG方法增强了稀疏视角谱CT重建
研究人员开发了一种名为共享结构4D谱高斯表示（4D-SG）的新方法，用于从有限的计算机断层扫描（CT）投影视图重建能量分辨衰减体积。该方法将空间结构学习与光谱衰减变化分离开来，从而能够从离散的光谱测量中获得连续的4D-SG表示。实验表明，4D-SG的性能优于现有的高斯基线方法，在峰值信噪比（PSNR）、结构相似性指数度量（SSIM）和LPIPS等指标上有所提高。
-
新的高斯体积编码方法实现高压缩率
研究人员开发了一种新颖的方法，在固定预算下使用各向异性高斯基元对标量体积进行编码。这种结构感知分配技术直接从场结构中提取位置、方向和形状信息，在无需致密化或修剪的情况下针对标量场优化编码。该系统可以在台式GPU上不到四分钟的时间内编码一个十亿体素的体积，实现了显著的压缩率和高信噪比。
-
新框架锚定黑盒去噪器输出以提高保真度
研究人员开发了一个名为保真度约束锚定（Fidelity-Constrained Anchoring）的新框架，旨在改进黑盒去噪器的输出。该方法将去噪后的图像与原始输入进行混合，并应用一个符合特定局部保真度约束（如峰值信噪比（PSNR）或结构相似性指数（SSIM））的混合因子。在DIV2K数据集上的实验表明，这种锚定策略在保持去噪性能和统计自然度之间取得平衡的同时，能有效控制保真度。