Selbstüberwachtes Entfernen von Rauschen in Echtzeit-Szenarien durch effiziente asymmetrische Blindstellen
Der Schlüssel zum Erhalt hochqualitativer und texturreicher Ergebnisse bei selbstüberwachten Denoise-Aufgaben in Echtzeit-Szenarien ist das Training bei der ursprünglichen Eingabeauflösung und der Einsatz asymmetrischer Operationen während des Trainings und der Inferenz.
Transformer-basiertes Blind-Spot-Netzwerk für selbstüberwachtes Bilddenoising
Ein Transformer-basiertes Blind-Spot-Netzwerk (TBSN) wird vorgestellt, das räumliche und kanalbasierte Selbstaufmerksamkeitsmechanismen nutzt, um die Leistung des selbstüberwachten Bilddenoisings zu verbessern.
Effizientes Entfernen von Rauschen durch Einbettung der Punktbewertung in punktbasierte Diffusionsmodelle
Durch Lösen der logarithmischen Dichte-Fokker-Planck-Gleichung numerisch und Einbettung der berechneten Punktbewertung in das Bild kann die Trainingseffizienz von punktbasierten Diffusionsmodellen deutlich verbessert werden.
Effizientes Denoising von Monte-Carlo-Renderings mit Diffusionsmodellen
Wir präsentieren einen Denoiser, der auf einem pixelbasierten Diffusionsmodell basiert. Da unser Verfahren eine starke Vorstellung davon hat, wie ein echtes Bild aussieht, kann es besser auf Bilder außerhalb der Trainingsverteilung verallgemeinern.
© 2024 by Linnk AI