一直以来,为让大家更好地了解学界业界优秀的论文和工作,极市已邀请了超过90位技术大咖嘉宾,并完成了77期极市线上直播分享。往期分享请前往bbs.cvmart.net/topics/149或直接阅读原文,也欢迎各位小伙伴自荐或推荐更多多优秀的技术嘉宾到极市进行技术分享,与大家一起交流学习~~ 深度卷积神经网络因具有灵活的结构广泛地应用到图像复原任务中。然而,这些技术忽视了底层视觉任务的属性,导致它们不能很好地解决复杂分布噪声图像去噪、复杂背景的噪声图像去噪、高频信息丢失的图像超分辨及复杂的图像超分辨等问题。 在这次分享中,我们邀请到了深圳市视觉目标检测与判识重点实验室的田春伟博士,介绍他们在这些问题上的探索工作: Image denoising using deep CNN with batch renormalization (Neural Networks首页论文/高被引论文/iHub集成代码论文)。其中,他们首次引入宽度信息实现去噪器,以解决复杂分布的噪声图像去噪问题。 随后,通过“Attention-guided CNN for image denoising”(Neural Networks首页论文/GitHub 2020具有贡献代码论文)首次利用注意力机制来解决如盲去噪等更复杂背景的图像去噪问题。 进一步,通过“Coarse-to-fine CNN for image super-resolution”(IEEE TMM 2020/IEEE Early Access高引论文)提出的同时使用高频和低频信息来解决图像超分辨模型训练不稳定问题; 最后通过“Asymmetric CNN for image super-resolution”(IEEE TSMC 2021)实现一个模型解决盲图像超分辨和未知噪声类型的盲图像超分辨等复杂图像超分辨问题。 01 直播信息 时间 2021年4月22日(周四)20:00-21:00 主题 02 嘉宾介绍 田春伟 03 关于分享 1、 图像复原研究背景与意义 2、 图像复原研究现状 3、 基于双路径卷积神经网络的图像去噪 4、 基于注意力机制卷积神经网络的图像去噪 5、 基于级联卷积神经网络的图像超分辨 6、 基于非对称卷积神网络的图像超分辨 ➤论文 Image denoising using deep CNN with batch renormalization 论文地址: https://www./science/article/abs/pii/S0893608019302394 代码: https://github.com/hellloxiaotian/BRDNet Attention-guided CNN for image denoising 论文地址: https://www./science/article/abs/pii/S0893608019304241 代码: https://github.com/hellloxiaotian/ADNet Coarse-to-fine CNN for image super-resolution 论文地址: https://ieeexplore./abstract/document/9105085 代码: https://github.com/hellloxiaotian/CFSRCNN Asymmetric CNN for image super-resolution 论文地址: https:///pdf/2103.13634.pdf 代码: https://github.com/hellloxiaotian/ACNet 04 参与方式 |
|