AllRestorer：適用於複合退化圖像修復的多合一 Transformer 模型
AllRestorer 是一種基於 Transformer 的新型圖像修復模型，旨在解決真實場景中圖像的多重退化問題，透過新穎的「多合一 Transformer 模塊」（AiOTB）和「複合場景描述符」，該模型能夠有效地識別和移除圖像中的複合退化，並在合成和真實數據集上展現出色的修復效果。
RealisHuman：一種用於修復生成圖像中畸形人體部位的兩階段方法
本文提出了一種名為 RealisHuman 的新型後處理框架，用於修復生成圖像中畸形的人體部位，例如手和臉。該方法採用兩階段局部優化範例，首先利用原始圖像中的細節信息和 3D 姿勢估計結果生成逼真的人體部位，然後將修復後的部分無縫融入原始圖像中，從而顯著提升生成圖像的真實感。
結合多維動態注意力和 Transformer 的通用圖像修復
本文提出了一種名為 MDDA-former 的新型圖像修復架構，該架構結合了多維動態注意力和自注意力機制，並在 U-Net 框架內實現了性能和效率之間的平衡。
基於自適應退化感知自提示模型的一體化氣候惡劣圖像修復
本文提出了一種基於自適應退化感知自提示模型（ADSM）的一體化氣候惡劣圖像修復方法，該方法利用潛在提示和小波導向的噪聲估計網絡來提高圖像修復質量和效率。
利用輸入圖像中自注意力區域替換原始遮罩來增強圖像修復
本文提出了一種基於深度學習的圖像修復預處理方法，利用視覺Transformer (ViT) 從輸入圖像中提取自注意力區域，並用其替換原始遮罩，從而提高圖像修復模型的性能。
非剛性幾何失真校正——應用於大氣湍流穩定化
本文提出了一種基於變分模型的圖像修復方法，用於從受大氣湍流影響的視頻序列中恢復圖像。
DreamClear：利用注重隱私的資料集策展技術，實現高容量的真實世界圖像修復
本文提出了一種名為 DreamClear 的新型圖像修復方法，旨在解決真實世界圖像修復中的挑戰。該方法包含兩個主要組成部分：GenIR，一個用於創建大規模、保護隱私的圖像數據集的自動化流程；以及 DreamClear，一個基於擴散變換器的高容量圖像修復模型，它整合了退化先驗信息，以動態地融合多個修復專家，從而提高對多樣化真實世界退化的適應性。
非局部圖像修復流的變分方法
本文證明了基於非局部總變分流的圖像去噪和去模糊變分解的存在性、唯一性和初始時間正則性，並提出了一種構造拋物線分數1-拉普拉斯方程解的新方法。
LoRA-IR：利用低秩專家實現高效的全方位圖像修復
LoRA-IR 是一種用於全方位圖像修復的框架，它利用低秩專家和基於 CLIP 的降質引導路由器，在不顯著增加計算成本的情況下，有效地處理多種圖像降質問題。
萬能圖像修復綜述：分類、評估與未來趨勢
本文全面概述了萬能圖像修復 (AiOIR) 技術，探討其在處理多種圖像退化問題的優勢、不同模型設計、學習策略和關鍵技術，並分析其面臨的挑戰和未來發展方向。
© 2024 by Linnk AI