极市直播回放第104期丨西北工业大学田春伟教授:基于结构信息的图像复原方法研究

2022 年 10 月 31 日 极市平台
↑ 点击 蓝字  关注极市平台

随着深度学习在图像复原领域的不断发展与应用,尤其在图像去噪和图像超分辨领域,卷积神经网络通过深度架构获得了显著的图像处理性能。然而,卷积神经网络在恢复复杂场景下受损图像的鲁棒性常遭受挑战。同时,手机、相机等移动终端对模型的大小提出了要求。
在本次分享中,我们邀请到了西北工业大学软件学院副教授田春伟针对上述两个显著问题为我们介绍他们最新的3篇工作:
Multi-stage image denoising with the wavelet transform (Pattern Recognition 2022)
Image Super-resolution with An Enhanced Group Convolutional Neural Network (Neural Networks 2022 )
A heterogeneous group CNN for image super-resolution (IEEE TNNLS 2022)
这些方法主要将信号处理、判别学习、残差学习、动态卷积和组卷积等结合,设计高效卷积神经网络,解决图像去噪、图像超分辨问题。

➤详情传送门

西北工业大学田春伟教授:基于结构信息的图像复原方法研究

论文

1.Multi-stage image denoising with the wavelet transform (Pattern Recognition 2022)

论文链接:https://arxiv.org/abs/2209.12394

代码地址:https://github.com/hellloxiaotian/MWDCNN

2.Image Super-resolution with An Enhanced Group Convolutional Neural Network (Neural Networks 2022 )

论文链接:https://arxiv.org/abs/2205.14548

代码地址:https://github.com/hellloxiaotian/ESRGCNN

3.A heterogeneous group CNN for image super-resolution (IEEE TNNLS 2022)

论文链接:https://arxiv.org/abs/2209.12406

代码地址:https://github.com/hellloxiaotian/HGSRCNN


回放视频在这里☟

https://www.bilibili.com/video/BV15g411h7fh/

PPT内容截图 (后台回复“ 极市直播 ”或点击 阅读原文 即可获取PPT)

往期视频在线观看
B站: http://space.bilibili.com/85300886#!/
腾讯视频: http://v.qq.com/vplus/8be9a676d97c74ede37163dd964d600c

往期线上分享集锦:http://m6z.cn/6qIJzE(或直接阅读原文

如果觉得有用,就请分享到朋友圈吧!

△点击卡片关注极市平台,获取 最新CV干货


推荐阅读


# CV技术社群邀请函 #

△长按添加极市小助手
添加极市小助手微信(ID : cvmart2)

备注:姓名-学校/公司-研究方向-城市(如:小极-北大-目标检测-深圳)


即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群


每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~



觉得有用麻烦给个在看啦~   

登录查看更多
2

相关内容

图像复原(image restoration)即利用退化过程的先验知识,去恢复已被退化图像的本来面目。图像复原技术主要是针对成像过程中的“退化”而提出来的,而成像过程中的“退化”现象主要指成像系统受到各种因素的影响,诸如成像系统的散焦、设备与物体间存在相对运动或者是器材的固有缺陷等,导致图像的质量不能够达到理想要求。
【伯克利马毅老师】强化学习与最优控制综述
专知会员服务
74+阅读 · 2022年4月26日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
13+阅读 · 2021年9月17日
【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
181+阅读 · 2020年4月26日
专知会员服务
109+阅读 · 2020年3月12日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
12+阅读 · 2021年11月1日
Arxiv
20+阅读 · 2019年11月23日
VIP会员
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员