- 博客(752)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
2025-01-14 18:19:51
13095
37
原创 【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
2024-03-25 15:50:42
24912
53
原创 【图像拼接（Image Stitching）】关于【图像拼接论文源码精读】专栏的相关说明，包含专栏内文章结构说明、源码阅读顺序、培养代码能力、如何创新等。总之，【图像拼接源码】复现看这一篇就够了！
本文是【图像拼接论文源码精读】专栏的相关说明，将一些共性的东西在这里做统一说明，就不在每一篇文章中重复了。【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）。先看该专栏说明，然后进入专栏阅读相关文章，建议同步订阅，同步阅读。本专栏针对图像拼接领域公布源码的文章进行源码解读，没有源码的文章在有源码的文章全部更新完毕后尝试复现。
2024-01-01 10:01:56
26801
15
原创 【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
2023-11-30 15:36:46
38318
28
原创 【图像增强】论文精读：Restoring Extremely Dark Images in Real Time
本文提出了一种高效轻量级的深度学习架构，用于实时恢复极暗图像。该方法通过在高尺度空间（低分辨率）执行大部分处理并跳过中间尺度，显著降低了计算成本。创新性地引入并行处理机制，可在不影响恢复质量的前提下提速30%。同时提出自动放大器模块，仅需输入图像即可估计放大因子，无需地面真值曝光或微调即可适配预训练模型。实验表明，该模型能以32fps实时处理4K图像，计算量比现有方法低6-20倍，参数少3-11倍，且在跨相机迁移和目标检测等下游任务中表现优异。该方案在速度、内存占用和恢复质量间取得平衡，解决了现有方法计算成
2025-08-13 10:49:37
217
原创 【图像超分】论文复现：TMM 2025 | 轻量化超分 | 小波域和傅里叶域双域调制网络 | DMNet的Pytorch源码复现，跑通源码，获得指标和超分结果，计算模型复杂度，架构梳理拆解，逐行注释！
本文介绍了轻量级图像超分辨率模型DMNet的代码复现与测试流程。首先详细说明了环境配置步骤，包括正确安装basicsr框架和依赖库的方法。针对源码中可能出现的常见问题（如numpy版本冲突）提供了解决方案。数据集方面指明使用DIV2K作为训练集，Set5等5个标准测试集进行评估。文章重点展示了x4模型的测试配置文件设置，包括数据路径、网络结构和评估指标等关键参数配置。最后给出了测试命令的执行方法，帮助读者快速验证模型性能。通过本文指导，读者可完整复现论文中的PSNR/SSIM指标和可视化结果。
2025-08-13 10:48:30
195
原创 【图像增强】论文精读：Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images（SICE）
论文题目：Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images —— 从多曝光图像中学习深度单幅图像对比度增强器TIP 2018由于光照条件差，数字成像设备的动态范围有限，记录的图像往往曝光不足/过度曝光，对比度低。以前的大多数单幅图像对比度增强(SICE)方法调整色调曲线，以校正输入图像的对比度。然而，由于单个图像中的信息有限，这些方法往往无法揭示图像细节。
2025-08-12 10:10:17
756
原创 【图像增强】论文精读：Beyond Brightening Low-light Images（KinD++）
本文提出了一种基于Retinex理论的弱光图像增强方法KinD++，通过CNN网络将图像分解为照明和反射两个分量，分别处理光照调整和退化去除。该方法仅需不同曝光条件下的成对图像进行训练，无需真实反射率和光照信息。实验表明，该方法在视觉缺陷鲁棒性和光照调整灵活性方面优于现有技术。相比KinD，KinD++在IJCV 2021版本中扩充了新内容，但核心思想保持一致。
2025-08-12 10:08:46
588
原创 【图像增强】论文复现：二阶段变三阶段！RetinexNet的后续改进！KinD的Tensorflow源码复现，跑通全流程，详细教程，代码逐行注释，理论与源码结合，替换数据集路径即可训练自己的数据集！
本文介绍了KinD低光图像增强模型的源码复现与解析。文章提供从数据集准备到模型训练、测试的完整流程指导，包含详细的代码注释和网络结构分析。KinD模型包含分解网络、调整网络和反射恢复网络三个子模块，通过分解图像为反射分量和光照分量实现增强。源码采用TensorFlow 2.0实现，兼容高版本Python环境，关键代码逐行注释帮助理解。读者可按照教程下载预训练模型快速测试，或使用自定义数据集进行训练。文章还详细解析了网络架构设计，包括编码器-解码器结构、上采样拼接操作等核心实现。
2025-08-11 13:18:35
1376
原创 【图像增强】论文精读：Kindling the Darkness: A Practical Low-light Image Enhancer（KinD）
本文提出了一种基于Retinex理论的弱光图像增强方法KinD，通过将图像分解为反射率和照度两个分量，有效解决了传统方法在增强亮度时放大噪声和颜色失真的问题。该方法采用不同曝光条件下的成对图像进行训练，无需真实反射率和光照信息，实现了端到端学习。KinD不仅能灵活调整光照水平，还包含专门的退化去除模块，在2080Ti GPU上处理VGA图像仅需50毫秒。实验表明，该方法在保持高效率的同时，显著优于现有技术，具有实际应用价值。
2025-08-11 13:18:11
777
原创 【图像超分】论文精读：Efficient frequency feature aggregation transformer for image super-resolution
摘要 本文提出了一种高效频率特征聚合变压器(EFATSR)用于图像超分辨率任务。针对传统Transformer中自注意力机制在高频信息提取不足和计算成本高的问题，该方法创新性地设计了两个核心模块：(1)频率自注意力聚合块(FSAB)，通过频率空间特征聚合分支补充自注意力分支，增强高频特征提取能力；(2)频率通道空间聚合块(FCSB)，在频域提取通道和空间特征，提高深层特征提取效率。实验表明EFATSR在保持低计算复杂度的同时达到了SOTA性能。此外，通过引入多头视差注意力块(形成EFATSSR)扩展至立体图
2025-08-10 08:42:13
17
原创 【图像恢复】论文精读：Omni-Kernel Network for Image Restoration
图像恢复旨在从退化的低质量观察中重建高质量图像。最近，Transformer模型在图像恢复任务中取得了很好的性能，因为它们具有强大的建模长期依赖关系的能力。然而，相对于输入大小，二次增长的复杂性使它们不适用于实际应用。本文通过增强多尺度表示学习，开发了一种用于图像恢复的高效卷积网络。为此，我们提出了一个由三个分支组成的泛核模块，即全局、大型和局部分支，以有效地学习全局到局部的特征表示。具体而言，全局分支通过双域通道注意力和频率门控机制实现了全局感知场。
2025-08-10 08:41:43
1012
原创 【图像超分】论文精读：Toward lightweight image super-resolution via re-parameterized kernelrecalibration（KRGN）
摘要：本文提出了一种轻量级图像超分辨率方法KRGN，通过重新参数化核重新校准策略解决深度卷积存在的通道隔离问题。该方法提出渐进式多尺度重新校准块(PMRB)，在保持推理成本不变的同时增强多尺度特征表达能力。KRGN网络仅需领先方法1/3的计算资源，实现了性能与效率的最佳平衡。实验证明该方法在减少参数量的情况下仍能保持优异的超分重建质量。文章系统梳理了SR技术发展历程，从传统插值、重建方法到深度网络，特别关注了轻量化和计算效率问题，为资源受限设备的SR应用提供了有效解决方案。
2025-08-09 11:11:41
19
原创 【图像超分】论文精读：Asymmetric content-aided Transformer for efficient image super-resolution
本文提出了一种高效图像超分辨率方法ACT，通过改进Transformer的自注意力机制降低计算复杂度。传统多头自注意力(MSA)存在冗余计算和高频信息损失问题，作者提出非对称架构逐步学习自注意力，并使用内容辅助位置编码(CaPE)动态调整位置关系。该方法构建非对称高效Transformer(AET)块，集成到信息蒸馏结构中，在保持性能的同时减少参数和计算量。实验表明ACT优于现有轻量级SR方法，为边缘设备部署提供了可行方案。主要创新点包括：1)非对称MSA架构；2)内容感知位置编码；3)高效Transfor
2025-08-09 11:11:00
15
原创 【图像拼接】论文精读：Generative Panoramic Image Stitching
本文提出了一种生成式全景图像拼接方法，通过微调基于扩散的修复模型来合成无缝全景图。该方法首先通过传统特征匹配和单应性估计获得参考图像的粗对齐，然后利用位置感知的扩散模型进行外绘修复，最终生成忠实于多参考图像内容且无拼接伪影的全景图。实验表明，该方法在处理显著视差和光照变化时优于传统拼接技术和现有生成方法。
2025-08-08 12:24:27
25
原创 【图像拼接】论文精读：PIS3R: Very Large Parallax Image Stitching via Deep 3D Reconstruction
本文提出了一种基于深度3D重建的大视差图像拼接方法PIS3R。针对现有方法在极端视差下对齐失败且无法保持3D几何一致性的问题，该方法首先通过视觉几何接地变压器VGGT重建场景3D结构和相机参数，然后将点云重投影到参考视图实现像素级对齐，最后通过点条件扩散模型优化拼接结果。实验表明，PIS3R不仅能处理大视差场景，生成的拼接图像还保留了3D投影几何，可直接支持SfM等下游任务。相比传统方法和深度学习方法，该方法在定性和定量评估中均表现出色，实现了视觉质量与几何精度的统一。
2025-08-08 12:23:52
24
原创 【图像超分】论文精读：Lightweight multi-scale distillation attention network for image super-resolution
本文提出了一种轻量级多尺度蒸馏注意力网络(MSDAN)用于图像超分辨率重建。该模型通过设计高效分支融合块(EBFB)和多尺度空间注意力模块(EMSSA)，在减少参数和计算量的同时保持优越性能。EBFB利用不同核大小的像素注意力机制扩展感受野，EMSSA通过多尺度下采样分支自适应提取空间信息。实验表明，MSDAN在Set14数据集上以更少参数(比RFDN减少57.5%)实现了更好的PSNR值(提升0.11)。该模型在轻量级超分辨率任务中达到了SOTA水平，适合在资源受限设备上部署。
2025-08-07 11:36:51
29
原创 【图像超分】论文精读：Dilated feature distillation attention network for efficient imagesuper-resolution
本文提出了一种轻量级的扩张特征蒸馏注意力网络（DFDAN）用于高效图像超分辨率重建。该方法通过结合扩张卷积和蓝图可分离卷积构建DBSConv模块，在不增加参数和计算量的情况下扩大感受野。同时设计了动态轻量级空间注意力（DLSA）和通道注意力（DLCA）模块，分别通过多尺度下采样分支和通道分离操作来增强特征提取能力。实验表明，DFDAN在多个基准数据集上优于现有轻量级模型，在PSNR指标上提升0.35dB的同时，模型参数量减少26%，计算量降低9%，实现了性能与效率的良好平衡。
2025-08-07 11:36:28
25
原创 【图像去噪】论文精读：RANDOM IS ALL YOU NEED: RANDOM NOISE INJEC-TION ON FEATURE STATISTICS FOR GENERALIZABLEDE
本文提出RNINet，一种基于编码器-解码器框架的新型图像去噪方法，通过特征统计噪声注入机制提升模型泛化能力。针对当前掩码训练方法存在过度平滑、计算复杂等问题，该方法在简单架构中引入随机噪声注入块，通过扰动特征均值和方差模拟未知噪声分布，显著提升对未见噪声类型的适应能力。实验表明，RNINet在多种噪声条件下优于现有方法（如掩码SwinIR），PSNR提升约1.8dB，同时降低计算成本（10倍推理加速），更适合实际部署。该工作为深度去噪模型的泛化问题提供了新思路，通过特征统计操作而非复杂架构设计实现
2025-08-06 16:10:05
36
原创 【图像去噪】论文精读：Towards Robust Image Denoising with Scale Equivariance（SEVNet）
本文提出了一种基于尺度等方差的鲁棒图像去噪方法，通过引入异构归一化模块(HNM)和交互式门控模块(IGM)来提升模型对空间变异噪声的适应能力。传统去噪模型在训练分布外(OOD)噪声条件下表现不佳，主要原因是特征与噪声水平的过度耦合。作者从网络架构设计角度出发，将尺度等变性作为核心归纳偏差，使模型能够解耦噪声影响。HNM模块通过恒定缩放和归一化自调制实现特征稳定化，IGM模块则通过双信号门控机制增强特征选择。实验表明，该方法在合成和真实噪声基准上均优于现有技术，特别是在处理空间非均匀噪声时表现出更强的鲁棒性。
2025-08-06 16:08:57
44
原创 【图像去噪】论文精读：Self-BSR: Self-Supervised Image Denoising and Destriping Based on Blind-Spot Regularizati
本文提出Self-BSR算法，针对成像系统中常见的随机噪声和条纹噪声混合问题，创新性地结合盲点正则化进行自监督去噪和去条纹处理。不同于传统方法需要干净图像作为监督，Self-BSR通过双分支网络分别建模图像和条纹的空间连续性特征，利用改进的盲点网络自适应去除噪声。算法创新包括：1）方向特征解构模块（DFU）分离多方向特征；2）特征重采样细化（FRR）增强细节重建。实验表明，该方法在合成和真实数据集上均优于现有技术，为无监督混合噪声去除提供了新思路。
2025-08-05 12:05:54
54
原创 【图像去噪】论文精读：Degradation-Aware Feature Perturbation for All-in-One Image Restoration（DFPIR）
本文提出DFPIR，一种基于退化感知特征扰动（DFP）的全一图像恢复框架，通过通道和注意力扰动调整特征空间，使其与共享参数对齐。DFPIR包含退化引导扰动块（DGPB），集成通道混洗（DGCPM）与选择性注意力掩蔽（CAAPM），有效减少多退化任务间的干扰。实验表明，DFPIR在去噪、去雾、去模糊等任务中性能优于现有方法（如InstructIR），PSNR提升0.45dB。该工作为多退化统一恢复提供了高效解决方案，相关代码已开源。
2025-08-05 12:05:08
31
原创 【图像增强】论文复现：低光增强新手入门必看！RetinexNet的Pytorch代码复现，跑通全流程，详细教程，代码逐行注释，理论与源码结合，替换数据集路径即可训练自己的数据集！
本文提供了PyTorch版RetinexNet的详细实现教程，包含数据集准备、模型训练和测试全流程。亮点在于：1）提供完整可运行的代码，逐行注释适合新手入门；2）将理论架构与源码结合，深入解析RetinexNet算法原理；3）支持自定义数据集训练。文章首先指导读者下载LOL等数据集并按指定结构组织，然后分别演示了推理和训练过程，特别针对Windows系统提供了路径修改方案。最后解析了核心网络结构DecomNet的实现细节，包括5层卷积架构和损失函数设计。
2025-08-04 10:49:04
2441
原创 【图像增强】论文精读：Deep Retinex Decomposition for Low-Light Enhancement（RetinexNet）
本文提出了一种基于深度Retinex分解的微光图像增强方法RetinexNet。该方法构建了包含低/正常光图像对的LOL数据集，设计了端到端网络架构，包含Decom-Net和Enhance-Net两个核心模块。Decom-Net通过无监督方式将图像分解为反射率和光照分量，利用一致性反射率和光照平滑度作为约束；Enhance-Net通过多尺度连接调整光照并联合去噪。实验表明，该方法在视觉质量和分解表示方面均取得优异效果，是暗光增强领域的开创性工作。
2025-08-04 10:48:28
691
原创 【图像超分】论文精读：EFFICIENT HIERARCHICAL STRIPE ATTENTION FOR LIGHTWEIGHT IMAGE SUPER-RESOLUTION
论文题目：EFFICIENT HIERARCHICAL STRIPE ATTENTION FOR LIGHTWEIGHT IMAGE SUPER-RESOLUTION —— 轻量级图像超分辨率的高效分层条纹注意论文源码：无随着 Transformer 在计算机视觉中的成功集成，出现了几种基于 Transformer 的方法，超过了以前占主导地位的基于 CNN 的技术。然而，据观察，传统的 self-attention 涉及可以进一步优化的冗余操作。在这种情况下，我们提出了一种新的轻量级超分辨率框架，称为。
2025-07-11 20:25:15
121
原创 【图像超分】论文精读：A Collaborative Network of Mamba and CNN for Lightweight Image Super-Resolution
本文提出了一种轻量级图像超分辨率网络CNMC，结合Mamba和CNN的优势进行协同特征提取。针对现有方法计算复杂度高或感受野受限的问题，CNMC通过Mamba实现全局依赖建模（线性复杂度），并用CNN补偿局部特征。创新点包括：1）协作单元CUMC整合Mamba的远程建模和CNN的局部增强；2）多尺度空间细化注意MSSRA调制跨尺度通道权重以提升细节恢复。实验表明，CNMC在保持轻量化的同时，PSNR指标优于SOTA方法如NGswin和HSSRNet（Urban100数据集×2 SR提升0.21dB/0.32
2025-07-11 20:24:47
95
原创 【图像超分】论文精读：AN EFFICIENT AND MIXED HETEROGENEOUS MODEL FORIMAGE RESTORATION
摘要： 本文提出一种高效混合异构模型RestorMixer，用于通用图像恢复任务。该模型结合CNN、Transformer和Mamba架构的优势，采用三阶段编码器-解码器结构：高分辨率阶段使用CNN提取局部特征，后续阶段融合改进的多方向扫描Mamba模块和多尺度窗口自注意力机制，实现全局依赖建模与动态特征优化。实验表明，RestorMixer在多种图像恢复任务中表现优异，同时保持高效推理。核心创新在于异构架构的协同设计，解决了传统单结构模型的局限性。
2025-07-10 10:34:46
96
原创 【图像超分】论文精读：LightBSR: Towards Lightweight Blind Super-Resolution via Discriminative Implicit Degradat
本文提出了一种轻量级盲超分辨率方法LightBSR，通过判别隐式退化表示学习实现高效图像重建。与现有方法不同，LightBSR强调隐式退化表示（IDR）的可分辨性优化，而非增加模型复杂度。该方法采用两阶段知识蒸馏框架：教师阶段引入退化先验约束对比学习技术，增强退化类型的区分能力；学生阶段通过特征对齐技术将知识迁移到轻量模型中。实验表明，LightBSR在参数和计算成本最小化的前提下，实现了优于现有盲超分辨率方法的性能。核心创新在于IDR估计模块和适应模块的协同设计，以及对比学习与知识蒸馏的结合策略，为轻量化
2025-07-10 10:34:03
170
原创 【图像超分】论文精读：PromptSR: Cascade Prompting for Lightweight Image Super-Resolution
本文提出PromptSR，一种基于级联提示的轻量级图像超分辨率方法。针对传统Transformer模型在超分辨率任务中存在的计算复杂度高和感受野受限问题，作者设计了一种级联提示块(CPB)，包含全局锚提示层和两个局部提示层。全局层利用跨尺度相似性构建低维锚点提示，增强全局信息感知；局部层结合窗口自注意力和类别自注意力，实现从粗到细的局部特征细化。实验表明，仅0.78M参数的PromptSR在多个基准测试中优于现有轻量级方法，甚至达到12M参数大模型的性能水平。该方法通过创新的提示机制，有效平衡了计算效率与特
2025-07-09 11:48:21
1072
原创 【图像超分】论文精读：RepSR: Training Efficient VGG-style Super-Resolution Networks with Structural Re-Paramete
摘要： 本文提出RepSR，一种基于结构重新参数化和批量归一化（BN）的高效VGG式超分辨率网络。针对SR任务中BN易引发伪影的问题，作者通过分析发现训练-测试阶段的不一致性是主因，并提出先使用小批量统计训练、后期切换为总体统计的优化策略。RepSR块设计包含干净的残差路径和带改进BN的扩展-压缩卷积路径，有效平衡了训练非线性与推理效率。实验表明，RepSR在不同模型规模下优于现有重参数化方法，且实际推理速度更快。该工作为SR提供了性能与效率兼优的解决方案，相关代码未开源。 关键词： 超分辨率、结构重参数化
2025-07-09 11:47:54
61
原创 【图像超分】论文精读：OSRT: Omnidirectional Image Super-Resolution with Distortion-aware Transformer
本文提出了一种面向全向图像（ODI）超分辨率重建的失真感知Transformer模型OSRT。针对传统方法忽略ERP图像几何特性导致性能受限的问题，作者提出三个创新点：1）鱼眼下采样方法，模拟真实成像过程生成更逼真的低分辨率样本；2）失真感知Transformer架构OSRT，通过特征级扭曲自适应调制ERP失真；3）从普通图像合成伪ERP样本的数据增强策略，缓解模型过拟合问题。实验表明，OSRT在PSNR指标上超越现有方法约0.2dB，并通过数据增强显著提升模型性能。该研究为全向图像超分辨率提供了更符合成像
2025-07-08 14:32:46
56
原创 【图像超分】论文精读：Metric Learning based Interactive Modulation for Real-World Super-Resolution
论文题目：Metric Learning based Interactive Modulation for Real-World Super-Resolution —— 基于度量学习的真实世界超分辨率交互调制ECCV 2022交互式图像恢复旨在通过调整几个决定恢复强度的控制系数来恢复图像。在已知退化类型和级别的监督下，现有方法仅限于学习可控函数。当真实退化与他们的假设不同时，它们通常会遭受严重的性能下降。这种限制是由于现实世界退化的复杂性，这在训练期间无法对交互调制提供明确的监督。
2025-07-08 14:32:08
49
原创 【图像超分】论文精读：Lightweight Image Super-Resolution with Adaptive Weighted Learning Network（AWSRN）
本文提出了一种轻量级图像超分辨率网络AWSRN（Adaptive Weighted Super-Resolution Network），通过自适应加权学习实现高效重建。AWSRN包含三个核心模块：特征提取模块、非线性映射模块（采用新型局部融合块LFB，由自适应加权残差单元AWR和局部残差融合单元LRFU组成）和自适应加权多尺度（AWMS）重建模块。实验表明，AWSRN在多个放大因子下（×2、×3、×4、×8）优于现有轻量级方法，且计算开销相近。主要创新点包括：1) 自适应加权残差单元动态调整信息流；2) 多
2025-07-07 19:34:24
68
原创 【图像去噪】论文精读：TOWARDS CONTROLLABLE REAL IMAGE DENOISING WITH CAMERA PARAMETERS
本文提出了一种可控的真实图像去噪框架CPADNet，利用相机参数（ISO、快门速度、F数）作为噪声水平的先验信息，通过自适应层归一化(adaLN)调节去噪强度。该方法将非线性映射的相机参数向量输入网络，实现训练时的自适应去噪和推理时的可控调节。实验在SID和SIDD数据集上进行，结果表明该方法能显著提升去噪性能，同时保持灵活性。该框架可兼容多种网络结构，为真实图像去噪提供了新的解决方案。
2025-07-07 19:33:41
472
原创 【图像超分】论文精读：Transformer-Style Convolutional Network for Efficient Natural and Industrial Image Superr
本文提出了一种新型Transformer风格的卷积网络TSCN，用于高效的自然和工业图像超分辨率重建。针对现有基于Transformer的方法计算复杂度高，而传统卷积网络难以建模长程依赖关系的问题，作者深入分析了Transformer架构的优势（包括长程依赖建模、二阶特征交互、输入自适应等），并以此为指导设计了轻量化的卷积网络结构。TSCN通过两个核心创新模块：远程多阶卷积调制层(LMCM)和空间感知动态特征流层(SADFF)，将Transformer的表示能力融入卷积网络。
2025-07-06 11:01:37
94
原创 【图像去噪/超分】论文精读：EAMamba: Efficient All-Around Vision State Space Model for Image Restoration
本文提出EAMamba，一种基于Vision Mamba的高效图像恢复框架，通过多头选择性扫描模块（MHSSM）和全环绕扫描策略解决现有方法的计算复杂度和局部像素遗忘问题。MHSSM采用通道分组策略聚合扫描序列，避免计算开销；全环绕扫描通过多方向扫描捕获完整邻域信息。实验表明，EAMamba在超分辨率、去噪等任务中，相比现有方法减少31-89%的FLOPs，同时保持优异性能。主要贡献包括：1）高效处理多序列的MHSSM；2）解决局部遗忘的全环绕扫描策略；3）在多个恢复任务上的有效性验证。
2025-07-06 11:00:51
172
1
原创 【图像去噪】论文精读：Effective enhancement and fusion of multi-perspective features for self-supervised real i
本文提出了一种用于自监督真实图像去噪的多视角特征增强与融合方法（EEFM-BAN）。针对现有方法在处理强相关噪声时存在的结构破坏、颜色斑点和高频细节丢失等问题，作者设计了三个核心模块：1）Tri-Mask特征提取模块（TMFE）通过预定义不同形状的掩码并行提取局部细节、噪声解耦和全局结构特征；2）多像素信息增强模块（MPIE）扩展感受野并增强局部全局特征以保留纹理细节；3）交叉门控融合网络（CGFN）通过交叉连接和门控加权实现互补特征融合。在SIDD和DND数据集上的实验表明，该方法在去噪性能、纹理保留和伪
2025-07-05 12:01:16
185
原创 【图像去噪】论文精读：Complementary Blind-Spot Network for Self-Supervised Real Image Denoising
本文提出了一种创新的自监督真实图像去噪框架——互补盲点网络（Complementary-BSN），通过双分支架构解决传统盲点网络（BSN）的中心像素信息丢失问题。该框架包含Mask-Map分支（保留中心像素信息）和Enhanced-PD-BSN分支（采用逐块随机成形策略削弱噪声相关性），并引入重新可见损失函数优化训练过程。实验表明，该方法在PSNR、SSIM等指标上超越现有自监督方法，能有效处理真实噪声的空间相关性，保留纹理细节。核心创新点包括：1）双分支互补信息机制；2）BRP策略增强像素独立性；
2025-07-05 12:00:53
168
原创 【图像超分】论文精读：A scalable attention network for lightweight image super-resolution (SCAN)
论文提出了一种可扩展的注意力网络SCAN，用于轻量级图像超分辨率。针对大卷积核增加计算复杂度的问题，SCAN设计了深度相关注意块(DRAB)，包含多尺度信息增强块(MIEB)和可调整大小的核注意块(RKAB)。RKAB动态调整网络中不同深度的卷积核大小，在浅层使用大核提取丰富特征，深层使用小核聚焦有效信息。实验表明，SCAN在性能和计算效率上优于现有轻量级超分方法。该研究为平衡网络性能与计算复杂度提供了新思路。
2025-07-04 10:35:59
80
原创 【图像超分】论文精读：A Lightweight CNN and Spatial-Channel Transformer Hybrid Network for Image Super-Resoluti
本文提出了一种轻量级CNN与空间通道Transformer混合网络(CSCTHN)用于图像超分辨率重建。该网络通过交替采用空间和通道自注意力机制，并结合CNN的局部特征提取能力，在降低计算成本的同时提升性能。核心创新包括：双分支交互空间自注意力块(DISSAB)降低计算复杂度，通道自注意力块(CSAB)捕获通道信息，以及局部特征增强块(LFEB)强化局部特征。实验表明，该方法在仅706K参数的情况下，在Manga109数据集上达到31.33dB的优异性能。该工作为轻量级超分辨率模型提供了新的设计思路。
2025-07-04 10:35:16
77
图像超分辨率WDSR的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-30
图像超分辨率RDN的Pytorch版本复现代码，注释详细，易读易复用，含最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-28
Python实现多图像转换成连贯的PDF文件，支持所有图片格式，可预览、裁剪、自定义PDF布局、设置图像顺序、PDF质量选择等
2024-04-28
PPT绘制超分辨率论文中网络结构图，多种模板可供选择，包括3D立体效果的网络结构、2D平面结构以及相关组件的绘制
2024-08-12
一步到位绘制计算机视觉领域的局部放大图，对比各模型的可视化效果，可多图实时查看局部放大区域对比，点击鼠标即可同时裁剪并保存局部放大区域！
2025-05-16
图像拼接论文Seam-guided local alignment and stitching for large parallax images源码，跑通+注释
2025-02-27
图像超分专栏内文章单篇购买：图像超分论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的
2025-02-19
图像去噪Self2Self(S2S)的Pytorch复现代码，跑通代码，原理详解，代码实现、网络结构、论文公式相互对应，注释清晰
2024-12-06
图像去噪ECNDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据
2024-09-19
图像去噪Noise2Void（N2V）的Pytorch复现代码，基于U-Net模型实现，原理详解，注释详细，包含训练好的模型
2024-09-10
图像去噪RNAN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-09-07
图像去噪Noise2Noise的Pytorch复现代码，基于REDNet30模型实现，N2N原理详解，注释详细，包含训练好的模型
2024-09-06
图像去噪IRCNN的Pytorch极简复现代码，包含计算PSNR/SSIM以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-30
图像去噪MWCNN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-29
图像去噪MemNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-25
图像去噪REDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-24
图像去噪RIDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接用于真实图像去噪
2024-08-20
图像去噪DnCNN的Pytorch完复现代码，源码基础上添加DnCNN-B/CDnCNN-B、DnCNN-3的训练和测试复现
2024-08-12
图像超分辨率RCAN的Pytorch复现代码，科研绘图，指标计算，最优SSIM和PSNR的模型权重文件（x2、x3、x4、x8）
2024-05-22
图像超分辨率FSRCNN的最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-16
图像超分辨率SRCNN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-14
图像超分辨率ARCNN的Pytorch复现代码，注释详细，含科研绘图，各Quality下的最优SSIM和PSNR的模型权重文件
2024-05-13
图像超分辨率IDN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-08
如何识别区分工件正反面？
2023-03-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人