- 博客(790)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【图像增强（Image Enhancement ）】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、关于答疑、文章目录、与我联系等（持续更新中...）
专栏内涉及的算法都是基于深度学习的图像增强算法；收录的文章基本上是基于Pytorch框架实现的，部分基于Tensorflow；预计完成100篇论文，并持续更新；专栏内文章主要为两部分：【论文精读】与【论文复现】论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算综合而言，从大到小拆解模型结构，从小到大实现模型搭建。实现论文与源码的统一，深入理解论文行文逻辑与代码实现逻辑，融汇贯通二者思想，并学以致用。
2025-09-01 15:56:57
181
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
13704
38
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
25587
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
26846
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
38590
28
原创 【图像去噪】论文精读：IDF: Iterative Dynamic Filtering Networks for Generalizable Image Denoising
提出了一种轻量级动态滤波网络（IDF），用于解决图像去噪中模型泛化性不足的问题。传统深度学习方法易过拟合特定噪声分布，而IDF通过动态生成像素级自适应内核，结合特征提取、全局统计和局部相关模块，迭代优化去噪过程。其核心创新包括：（1）约束核权重总和为1，确保内容自适应平均而非噪声记忆；（2）自适应迭代策略，根据置信度动态调整计算量。实验表明，仅用0.04M参数、单级高斯噪声训练的IDF，在多种噪声类型（高斯、泊松、真实传感器噪声等）上均表现优异，优于现有方法。该工作为高效、泛化性强的图像去噪提供了新思路。
2025-09-01 15:57:53
14
原创 【图像超分】论文精读：Large Kernel Modulation Network for Efficient Image Super-Resolution（LKMN）
本文提出了一种基于CNN的高效图像超分辨率重建方法——大核调制网络（LKMN）。针对现有方法在非局部特征捕获和推理速度之间的权衡问题，LKMN通过两个核心创新实现了性能与效率的平衡： 增强部分大内核块（EPLKB）：采用通道混洗增强信息交互，结合通道注意力聚焦关键信息，并在部分通道上使用分解的31×31大核条带卷积提取非局部特征，显著降低计算复杂度。 跨门前馈网络（CGFN）：通过可学习比例因子动态调整输入特征差异，采用交叉门策略调制融合局部和非局部特征，增强特征互补性。
2025-08-31 14:17:54
16
原创 【图像超分】论文精读：LKFMixer: Exploring Large Kernel Feature For Efficient Image Super-Resolution
摘要 本文提出LKFMixer，一种基于大卷积核的轻量级超分辨率重建网络。针对传统CNN感受野有限和Transformer计算复杂度高的问题，该方法通过坐标分解将31×31大核分解为1×31和31×1的条带卷积，结合部分卷积(PConv)减少计算量。网络核心包含特征蒸馏块(FDB)、空间特征调制块(SFMB)和特征选择块(FSB)，分别实现局部/非局部特征融合、空间-通道注意力机制和特征自适应加权。实验表明，在保持5倍推理速度优势的同时，LKFMixer-L在Manga109数据集上较SwinIR-ligh
2025-08-31 14:17:16
15
原创 【图像超分】论文精读：CLASSIFICATION-BASED DYNAMIC NETWORK FOR EFFICIENT SUPER-RESOLUTION
本文提出了一种基于分类的动态网络(CDNSR)用于高效图像超分辨率重建。该方法通过分类网络将输入图像块按恢复难度分类，并分配不同复杂度的超分网络进行处理，在保证质量的同时降低计算开销。CDNSR包含分类模块(Module-CL)和超分模块(Module-SR)，前者采用Gumbel Softmax技巧实现端到端训练，后者通过知识蒸馏保持性能。实验表明，该方法能有效加速多种超分网络，在计算效率与重建质量间取得良好平衡。该工作为资源受限场景下的图像超分提供了新思路。
2025-08-30 11:33:35
15
原创 【图像超分】论文精读：WaveHiT-SR: Hierarchical Wavelet Network for Efficient Image Super-Resolution
本文提出WaveHiT-SR，一种基于分层小波变换的高效图像超分辨率网络。针对现有Transformer方法因固定小窗口限制感受野的问题，该方法创新性地采用自适应分层窗口机制，结合小波变换进行多尺度特征提取。通过将图像分解为不同频率子带，网络能同时关注全局结构和局部细节。实验表明，该方法在SwinIR-Light等模型基础上显著提升性能，同时降低计算复杂度。相比传统方法，WaveHiT-SR在参数数量、FLOPs和运行速度等方面均取得优势，实现了更高效的超分辨率重建。该工作为结合频域分析与Transform
2025-08-30 11:33:00
20
原创 【图像超分】论文精读：Efficient Single Image Super-Resolution with Entropy Attention and Receptive Field Augmen
本文提出了一种高效的超分辨率重建模型EARFA，通过熵注意力(EA)和移位大核注意力(SLKA)在模型效率和性能之间取得平衡。EA基于信息论增加中间特征的熵，提供更丰富的信息输入；SLKA通过通道移位扩展感受野，提升特征多样性。相比基于Transformer的模型，EARFA避免了复杂的矩阵计算，显著提高了推理速度。实验表明，该方法在保持优异超分性能的同时，大幅降低了计算延迟。主要创新点包括：1) 从信息论角度设计EA机制；2) 改进LKA为SLKA，增强感受野；3) 整体架构实现了效率与性能的最佳权衡。
2025-08-29 14:28:12
15
原创 【图像超分】论文精读：SLVR: Super-Light Visual Reconstruction via Blueprint Controllable Convolutions and Explo
SLVR：一种基于蓝图可控卷积和特征多样性表示的轻量级视觉重建方法 摘要：本文提出了一种超轻视觉重建框架SLVR，通过改进传统残差结构和卷积操作解决现有方法中的两个关键问题：1)特征加法模式(FAM)导致的网络惯性现象；2)蓝图可分离卷积(BSConv)中核内相关性不正确的问题。主要创新包括：1)提出特征多样性演化链接(FDEL)，通过减少低级特征保留来缓解网络惯性；2)设计蓝图可控卷积(B2Conv)，通过访问控制单元自适应选择相关通道。
2025-08-29 14:27:42
354
原创 【图像增强】论文精读：Interpretable Optimization-Inspired Unfolding Network for Low-Light Image Enhancement
本文提出了一种基于Retinex理论的可解释优化展开网络URetinex-Net++，用于解决微光图像增强问题。该方法将优化过程展开为深度网络，包含初始化、展开优化和组件调整三个模块。主要创新包括：1）引入跨阶段融合块（CSFB）缓解颜色缺陷；2）采用空间一致性损失训练组件调整模块；3）通过两个网络自适应拟合隐式先验，实现噪声抑制和细节保留。实验表明，URetinex-Net++在视觉质量和定量指标上优于现有方法，且计算成本较低。相比前作URetinex-Net，本方法在保持可解释性的同时，通过跨阶段融合有
2025-08-28 12:20:17
705
原创 【图像增强】论文精读：Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative Diffusion Model
本文提出了一种基于生成扩散模型的低光图像增强方法Diff-Retinex。该方法将Retinex分解与条件图像生成相结合，通过Transformer分解网络(TDN)将图像分解为光照和反射率图，再使用多路径扩散生成网络分别调整这两个组件。与现有方法相比，Diff-Retinex不仅能增强图像质量，还能恢复甚至推断低光图像中丢失的细节信息。实验表明，该方法在真实数据集上具有优异的性能表现，是首个将扩散模型应用于低光增强的研究。
2025-08-28 12:19:44
933
原创 【图像增强】论文精读：From Fidelity to Perceptual Quality: A Semi-Supervised Approach for Low-Light Image Enhan
论文题目：From Fidelity to Perceptual Quality: A Semi-Supervised Approach for Low-Light Image Enhancement —— 从保真度到感知质量:微光图像增强的半监督方法（DRBN）CVPR 2020！半监督，递归网络，GAN曝光不足引入了一系列视觉退化，即能见度降低、噪声密集、颜色偏差等。为了解决这些问题，我们提出了一种新的微光图像增强半监督学习方法。提出了一种深度递归频带网络(DRBN)
2025-08-27 11:03:32
755
原创 【图像增强】论文精读： Structure-guided Diffusion Transformer for Low-Light Image Enhancement
本文提出了一种基于结构引导扩散变压器(SDTL)的微光图像增强方法。该方法首次将扩散变压器(DiT)引入微光增强领域，通过小波变换将图像分解为多方向频段特征，利用结构增强模块(SEM)和结构引导注意力块(SAB)实现高效增强。SEM通过两步增强策略结合结构先验提升细节恢复能力，SAB则引导网络关注纹理丰富区域。实验表明，该方法在多个数据集上优于现有技术，既能有效提升图像质量，又保持了较高的推理效率，展现了DiT在微光增强任务中的潜力。
2025-08-27 11:02:55
967
原创 【图像增强】论文精读：Light the Night: A Multi-Condition Diffusion Framework for Unpaired Low-Light Enhancement
本文提出了一种基于多条件扩散框架的自动驾驶低光图像增强方法LightDiff。该方法通过动态数据退化过程生成无配对的训练数据，结合深度图、RGB图像和文本描述等多模态输入，利用多条件适配器自适应控制各模态权重以保持语义一致性。同时引入感知定制的强化学习策略，将增强图像与检测模型知识对齐。实验表明，LightDiff显著提升了多种3D检测器在夜间场景的性能（如BEVDepth和BEVStereo分别提升4.2%和4.6%的AP），同时保持较高的视觉质量。该方法避免了人工收集夜间数据的成本，为自动驾驶系统的低光
2025-08-26 11:05:21
333
原创 【图像增强】论文精读：Efficient Diffusion as Low Light Enhancer（ReDDiT）
本文提出了一种高效扩散模型ReDDiT用于低光图像增强(LLIE)。针对现有扩散模型计算负担重的问题，作者分析了性能下降的两个关键因素：拟合误差和推理差距，并提出通过线性插值评分函数和将高斯流转移到反射感知残差空间来优化。所设计的反射感知轨迹细化(RATR)模块利用图像反射率分量改进教师轨迹，最终构建的ReDDiT框架仅需2步即可达到与10步扩散模型相当的效果，在4/8步时性能超越现有方法。在10个基准数据集上的实验验证了该方法的优越性，在质量和效率方面均达到SOTA水平。
2025-08-26 11:04:45
316
原创 【图像增强】论文精读：HVI: A New Color Space for Low-light Image Enhancement
本文提出了一种用于微光图像增强的新型HVI色彩空间和CIDNet网络。针对现有sRGB和HSV空间在LLIE任务中存在的颜色失真和噪声伪影问题，HVI空间通过极化HS映射消除红色噪声，利用可学习强度函数压缩暗区去除黑色噪声。CIDNet网络则通过解耦颜色和强度分支，在HVI空间实现精确的光度映射。实验表明，该方法在10个数据集上优于现有技术，具有参数少（1.88M）、计算量小（7.57GFLOPs）的优势，能有效恢复自然色彩和细节。该工作为LLIE任务提供了新的色彩空间解决方案。
2025-08-25 12:21:22
2523
原创 【图像增强】论文精读：SNR-Aware Low-light Image Enhancement
本文提出了一种基于信噪比(SNR)感知的Transformer-CNN混合模型用于微光图像增强。该方法通过分析图像不同区域的SNR值，自适应地融合局部(CNN)和全局(Transformer)特征：高SNR区域主要利用局部信息，低SNR区域则依赖全局信息以避免噪声干扰。作者设计了SNR感知的自注意力模块，仅使用高SNR区域的token进行计算。实验表明，该方法在7个基准数据集上均优于现有方法，并通过用户研究验证了其感知质量优势。
2025-08-25 12:20:58
798
原创 【图像增强】论文精读：CWNet: Causal Wavelet Network for Low-Light Image Enhancement
本文提出了一种新颖的因果小波网络（CWNet）用于微光图像增强。该模型结合小波变换与因果推理，通过全局度量学习和局部CLIP语义损失保持语义一致性，同时分离非因果因素（如颜色异常）。CWNet采用分层特征恢复块（HFRB）优化频域信息处理，其中高频增强模块基于Mamba架构（2D-SSM）实现细节恢复。实验表明，CWNet在多个数据集上优于现有方法，为低光增强提供了新的因果视角和频域处理框架。
2025-08-24 10:56:59
277
原创 【图像增强】论文精读：Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement
本文提出了一种基于Retinex理论的Transformer模型Retinexformer，用于低光图像增强。传统Retinex方法未考虑图像损坏且需多阶段训练，而现有CNN方法存在远程依赖建模不足的问题。Retinexformer通过单阶段端到端框架(ORF)首先估计光照信息，然后采用新型光照引导Transformer(IGT)进行损坏恢复。IGT通过光照引导的自注意力机制(IG-MSA)增强不同曝光区域间的交互。实验表明，Retinexformer在13个基准数据集上显著优于现有方法，最高提升6dB，并
2025-08-24 10:56:23
367
原创 【图像增强】论文精读：LYT-NET: Lightweight YUV Transformer-based Network for Low-light Image Enhancement
【摘要】本文提出LYT-Net，一种基于YUV色彩空间和Transformer的轻量级微光图像增强网络。该模型采用双路径处理策略，将亮度通道Y与色度通道U/V分离处理：Y通道通过多头自注意力机制增强，U/V通道经由新型通道去噪块(CWD)降噪。通过多阶段挤压激励融合块(MSEF)整合特征，最终输出高质量增强图像。实验表明，在LOL等标准数据集上，LYT-Net以较低计算复杂度取得优于现有方法的效果，其混合损失函数（包含感知损失、直方图损失等组件）有效提升了图像质量。
2025-08-23 13:21:02
584
原创 【图像增强】论文精读：LEDNet: Joint Low-light Enhancement and Deblurring in the Dark
本文提出LEDNet方法，首次实现暗光增强与去模糊的联合处理。针对缺乏真实低光模糊数据的问题，作者创新性地设计了数据合成管道，模拟真实暗光模糊退化特别是饱和区域的模糊，构建了首个大规模联合数据集LOL-Blur（12,000对低模糊/正常锐对）。同时提出端到端LEDNet网络，通过编码器-解码器结构实现两个任务的协同处理，其中编码器专门用于光增强，解码器用于去模糊，并通过自适应跳跃连接传递特征。实验表明该方法在合成和真实数据上均优于现有技术。
2025-08-23 13:20:27
1017
原创 【图像增强】论文精读：DarkIR: Robust Low-Light Image Restoration
摘要 本文提出DarkIR，一种基于CNN的低光图像多任务恢复方法，可同时处理噪声、低光和模糊问题。与现有Transformer模型不同，DarkIR采用新颖的注意力机制增强CNN感受野，在计算成本和参数效率上更具优势。实验表明，DarkIR在LOLBlur、LOLV2和Real-LOLBlur数据集上达到SOTA性能，PSNR比LEDNet提升1dB，并能泛化到真实夜间图像。该方法创新性地结合空间域和频域处理：空间域通过大感受野注意力解决噪声和模糊，频域利用光照与傅里叶振幅的相关性实现高效增强。
2025-08-22 12:04:48
869
原创 【图像增强】论文精读：MobileIE: An Extremely Lightweight and Effective ConvNet for Real-Time Image Enhancement
本文介绍了一种名为MobileIE的极轻量级卷积神经网络，专为移动设备实时图像增强而设计。该模型仅含约4K参数，结合了重新参数化技术和增量权重优化策略，显著提升了计算效率。创新性地采用特征自变换模块和分层双路径注意力机制，并通过局部方差加权损失优化性能。实验表明，MobileIE在多个图像增强任务中实现了高达1100 FPS的处理速度，同时保持卓越的图像质量，成为首个在移动端实现实时高清图像增强的解决方案。该框架平衡了速度与性能，为资源受限环境下的图像处理提供了新范式。
2025-08-22 12:04:09
742
原创 【图像增强】论文精读：Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement（ZeroDCE）
论文题目：Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement —— 微光图像增强的零参考深度曲线估计CVPR 2020本文提出了一种新方法，该方法将光增强定义为深度网络图像特定曲线估计的任务。我们的方法训练一个轻量级的深度网络DCE-Net，以估计像素级和高阶曲线，用于给定图像动态范围调整。考虑到像素值范围、单调性和可微性，专门设计了曲线估计。Zero-DCE 在其对参考图像的宽松假设下很有吸引力，即。
2025-08-21 10:47:00
373
原创 【图像增强】论文精读：Retinex-inspired Unrolling with Cooperative Prior Architecture Search for Low-light Image
本文提出了一种名为RUAS的微光图像增强方法，通过结合Retinex理论和神经架构搜索技术，构建轻量级且高效的增强网络。该方法基于Retinex规则建立优化模型，展开优化过程形成网络结构，并采用协作无参考学习策略从紧凑搜索空间中自动发现最优架构。相较于现有方法，RUAS无需人工设计复杂网络结构，减少了计算资源消耗，同时在真实场景中表现出优越性能。实验结果表明，该方法在增强效果和计算效率方面均优于现有技术。
2025-08-21 10:46:30
351
原创 【图像增强】论文复现：三阶段展开网络！URetinex-Net的Pytorch源码复现，跑出可视化结果，详细教程，代码逐行注释，理论与源码结合，双系统无报错可跑，替换数据集路径即可训练自己的数据集！
本文介绍了URetinex-Net图像增强算法的源码复现教程，详细解析了网络架构和实现流程。主要内容包括：1）快速运行指南，提供数据集准备和测试步骤，支持Windows/Linux系统；2）代码解析部分，重点讲解了光照增强模块Illumination_Alone和恢复网络HalfDnCNNSE的实现细节；3）项目结构说明，包含预训练模型和测试流程。文章还提供了论文原文、源码地址和数据集下载链接，帮助读者深入理解这一基于Retinex理论的低光图像增强方法。
2025-08-20 09:58:18
1586
原创 【图像增强】论文精读：URetinex-Net: Retinex-based Deep Unfolding Network for Low-light ImageEnhancement
本文提出了一种基于Retinex理论的深度展开网络URetinex-Net，用于低光图像增强。该方法通过将优化问题分解为可学习的网络模块，实现了噪声抑制和细节保留。URetinex-Net包含三个核心模块：数据相关初始化模块、高效展开优化模块（采用交替半二次分裂算法将问题分解为四个子问题）和用户指定光照增强模块。实验表明，该方法在真实低光图像上具有优越性能，兼具基于模型方法的可解释性和基于学习方法的适应性。该工作发表于CVPR 2022。
2025-08-20 09:57:30
678
原创 【图像增强】论文复现：无监督增强基准！EnlightenGAN的Pytorch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，双系统无报错可跑，替换数据集路径即可训练自己的数据集！
EnlightenGAN源码复现教程：提供Windows/Linux双平台详细实现步骤，包含模型训练、测试全流程代码解析和报错解决方案。亮点包括逐行关键代码注释、理论架构与源码结合解析、预训练模型直接测试、自定义数据集训练支持。教程涵盖数据预处理、模型实现、训练测试流程，并解决常见环境配置问题，帮助开发者快速掌握非配对图像增强技术。
2025-08-19 17:52:43
1703
原创 【图像增强】论文精读：EnlightenGAN: Deep Light Enhancement without Paired Supervision
论文题目：EnlightenGAN: Deep Light Enhancement without Paired Supervision —— EnlightenGAN：没有配对监督的深度光增强基于深度学习的方法在图像恢复和增强方面取得了显著的成功，但在缺乏配对训练数据的情况下，它们仍然具有竞争力吗？作为一个这样的例子，本文探讨了低光图像增强问题，在实践中，同时拍摄同一视觉场景的低光和普通光照片是极具挑战性的。我们提出了一种高效的无监督生成对抗网络，称为。
2025-08-19 17:52:22
675
原创 【图像增强】论文复现：归一化流助力低光图像增强！LLFlow的Pytorch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！
专栏文章《LLFlow源码复现与详细解析》为读者提供了从环境配置到模型训练的完整流程指南，重点讲解了基于归一化流的微光图像增强技术。文章亮点包括：全流程代码逐行注释、理论与源码结合解析、支持自定义数据集训练。内容涵盖数据集准备（LOL/LOL-v2）、预训练模型下载、测试与训练步骤，并详细解析了数据预处理、模型实现等核心模块代码。通过本教程，读者可快速复现LLFlow论文成果，并应用于自己的图像增强任务。
2025-08-18 13:23:32
1126
原创 【图像增强】论文精读：Low-Light Image Enhancement with Normalizing Flow（LLFlow）
本文提出了一种基于归一化流的低光图像增强方法LLFlow，通过建模正常曝光图像的条件分布来克服传统方法存在的亮度失真、噪声残留等问题。该方法利用可逆网络学习低光图像到正常曝光图像的一对多映射关系，同时引入光照不变颜色图作为先验分布，有效改善了颜色失真问题。实验表明，相比现有方法，LLFlow能生成曝光更自然、噪声更少、颜色更丰富的增强结果。该工作为低光图像增强提供了一种新的流形建模思路，在AAAI 2022被选为口头报告论文。
2025-08-18 13:22:33
542
原创 【图像增强】论文精读：Abandoning the Bayer-Filter to See in the Dark（MCR）
本文提出了一种创新的微光图像增强方法，通过放弃传统拜耳滤镜来提升成像质量。研究者设计了De-Bayer-Filter（DBF）模块，利用深度神经网络从彩色原始图像合成单色原始数据，并开发了双分支增强网络（DBLE）融合两种数据。该方法创新性地引入了通道注意力机制建立跨模态交互，并构建了首个单色-彩色原始图像配对数据集MCR。实验表明，通过融合虚拟单色与真实彩色原始数据，能在保留色彩信息的同时显著提升暗光环境下的成像质量，为单摄像头设备提供了接近双摄系统的性能。
2025-08-17 17:48:54
757
原创 【图像增强】论文精读：Underexposed Photo Enhancement using Deep Illumination Estimation（DeepUPE）
论文题目：Underexposed Photo Enhancement using Deep Illumination Estimation —— 基于深度照明估计的曝光不足照片增强CVPR 2019本文提出了一种新的神经网络来增强曝光不足的照片。我们没有像以前的工作那样直接学习图像到图像的映射，而是在网络中引入中间照明将输入与预期的增强结果相关联，这增强了网络从专家修饰的输入/输出图像对中学习复杂摄影调整的能力。基于此模型，我们制定了一个损失函数，该函数在光照上采用约束和先验。
2025-08-17 17:47:58
944
原创 【图像超分】论文精读：Arbitrary-steps Image Super-resolution via Diffusion Inversion（InvSR）
本文提出了一种基于扩散反演的图像超分辨率方法InvSR，通过引入噪声预测器和部分噪声预测策略，实现了从低分辨率图像重建高质量高分辨率图像。该方法利用预训练扩散模型的丰富先验知识，设计深度噪声预测器估计最优噪声图，并通过部分噪声预测构造扩散中间状态作为采样起点。相比现有方法，InvSR支持1-5步的灵活采样，在保持高效的同时获得与SOTA方法相当甚至更好的性能。实验表明，该方法在保真度、复杂场景适应性和计算效率方面具有优势，为超分辨率任务提供了新的扩散模型应用思路。
2025-08-16 11:16:17
37
原创 【图像去噪】论文精读：Efficient Image Denoising Using Global and Local Circulant Representation
摘要 本文提出了一种高效图像去噪算法Haar-tSVD，通过结合全局和局部循环表示来平衡去噪速度与性能。该方法利用Haar变换与张量奇异值分解(t-SVD)的关联，建立了一种高度并行的一步式滤波框架，无需学习局部基来表示图像块。算法采用绿色通道先验指导块匹配，并通过特征值分析构建自适应噪声估计方案A-Haar-tSVD，增强了方法的鲁棒性。实验表明，该算法在图像、视频、高光谱和磁共振等多种去噪任务中均表现出色。相比传统方法和深度学习方法，Haar-tSVD在计算效率和去噪性能之间取得了良好平衡，尤其适用于计
2025-08-16 11:15:10
68
原创 【图像超分】论文复现：ConverseNet的Pytorch源码复现，跑出可视化结果和指标，详细教程，代码逐行注释，理论与源码结合，双系统无报错可跑！
本文介绍了ConverseNet超分辨率重建算法的源码复现与解析。文章亮点包括：提供Windows/Linux双平台可执行的完整代码和预训练模型，实现测试流程可视化；通过理论架构与源码结合的方式深入解析Converse2d核心算法，关键代码逐行注释。主要内容分为：1）快速入门指南，包括数据集准备和测试流程；2）代码解析部分，重点阐述Converse2D的理论基础（基于频域逆问题求解的正则化最小二乘方法）及其PyTorch实现，详细说明动态学习参数λ、循环边界条件等关键设计。该实现支持去噪和超分任务，采用深度
2025-08-15 12:43:30
88
原创 【图像超分】论文精读：Reverse Convolution and Its Applications to Image Restoration（ConverseNet）
本文提出了一种新型反向卷积算子（Reverse Convolution），作为深度卷积的数学逆运算。通过将问题建模为二次正则化最小二乘优化，作者获得了可非迭代计算的封闭解。该算子支持多通道特征处理，并研究了关键实现细节如核初始化与填充策略。在架构层面，作者将反向卷积与层归一化、1×1卷积等模块结合，构建了类似Transformer的ConverseNet。实验证明，该算子能有效替代传统卷积/转置卷积，在图像去噪、超分辨率和去模糊任务中均取得优异性能。相比现有方法，反向卷积在数学严谨性和特征处理灵活性上更具优
2025-08-15 12:42:57
126
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