MrD's Blog

我干了什么究竟拿了时间换了什么

【Research & Writing】Remote Sensing 投稿

Abstract 不超过200字。对于研究文章，摘要应该提供工作的相关概述。我们强烈建议作者使用以下结构化摘要的风格，但不需要标题：（1）背景：将所讨论的问题置于广泛背景之中，并强调研究的目的；（2）方法：简要描述主要方法或者处理方式；（3）结果：总结文章的主要发现；（4）结论：指出主要的结论或解释。摘要应该是对文章的客观描述，它不应该包含没有在正文中提出和证实的结果，也不应该夸大主要结论...

Posted by ShawnD on December 10, 2023

【CVPR 2023】Zero-Shot Noise2Noise：Efficient Image Denoising without any Data

Abstract 近期，自监督神经网络在图像去噪方面表现出色。然而，当前的无数据集方法要么计算成本过高，需要一个噪声模型，或是图像质量不足。在这项工作中，我们展示了一个简单的双层网络，无需任何训练数据或噪声分布的知识，就可以以低计算成本实现高质量图像去噪。我们的方法受到了Noise2Noise和Neighbor2Neighbor的启发，且在去除逐像素独立噪声方面表现良好。我们对人...

Posted by ShawnD on December 10, 2023

【Research & Writing】期刊选择

CASSI Transactions on Image Processing (TIP) 审稿周期一年左右，平均8.1个月。 Transactions on Computational Imaging 四五个月左右。性价比不高， Rebuttal 要回复40-80 Optica 网友分享经验： 15 Weeks Remote Sensing 期刊官网数据：平均20.66...

Posted by ShawnD on December 9, 2023

【CVPR 2023】CABM：Content-Aware Bit Mapping for Single Image Super-Resolution Network with Large Input

Abstract 随着高清显示设备的发展，超分辨率（SR）的实际场景通常需要将大尺度输入如 2K 提升至更高分辨率（4K/8K）。为了降低计算和内存成本，现有方法首先将大尺度输入分成局部图块，然后将这些SR图块合并输出。这些方法为每个图块自适应分配一个子网。量化是网络加速的一项非常重要的技术，已被用来设计子网。当前方法训练一个多层感知机（MLP）位选择器来确定每层的适当位数。然...

Posted by ShawnD on December 9, 2023

【CVPR 2023】OSRT: Omnidirectional Image Super-Resolution with Distortion-aware Transformer

Abstract 全方位影像（ODIs）因其沉浸式体验而获得了大量研究兴趣。尽管全方位影像需要极高的分辨率来捕捉整个场景的细节，但大多数全方位影像的分辨率都不足。以往的方法试图通过对等距圆柱投影（ERP）图像进行图像超分辨率（SR）处理来解决这个问题。然而，它们忽略了在退化过程中ERP的几何属性，而且它们的模型很难泛化到真实的ERP图像。在本文中，我们提出了鱼眼降采样，它模...

Posted by ShawnD on December 8, 2023

【CVPR 2023】ETDS：Equivalent Transformation and Dual Stream Network Construction for Mobile Image Super-Resolution

Abstract 近年来，移动设备上对实时超分辨率网络的需求日益增加。为了解决这一问题，已经提出了许多轻量级超分辨率模型。然而，这些模型仍然包含耗时的组件，增加了推理延迟，限制了它们在移动设备上的实际应用。在本文中，我们提出了一种基于等效变换和双流网络构造（ETDS）的单图像超分辨率新模型。 ET方法被提出用于将耗时的操作转换成适合移动设备的时间友好操作，如卷积和ReLU。 ...

Posted by ShawnD on December 8, 2023

【ICCV 2023】DLGSANet: Lightweight Dynamic Local and Global Self-Attention Network for Image Super-Resolution

Abstract 我们提出了一种高效的轻量级动态局部和全局自注意力网络（DLGSANet）来解决图像超分辨率问题。我们的方法在保持低计算成本的同时探索了 Transformer 的属性。受 Transformer 网络设计的启发，我们开发了一个简单而有效的多头动态局部自注意力（MHDLSA）模块，以高效提取局部特征。此外，我们注意到现有的 Transformer 通常探索查询和...

Posted by ShawnD on December 7, 2023

【ICCV 2023】RC-LUT：Reconstructed Convolution Module Based Look-Up Tables for Efficient Image Super-Resolution

Abstract 基于查询表（LUT）的方法在单图像超分辨率（SR）任务中已显示出极大的效能。然而，先前的方法忽略了LUT受限感受野（RF）尺寸的本质原因，这是由于 vanilla 卷积中空间特征和通道特征的交互作用所致。它们只能通过线性增加LUT大小来增加RF。为了在保持LUT尺寸的同时扩大RF，我们提出了一种新的重构卷积（RC）模块，它将通道计算和空间计算解耦。它可以被公式化为...

Posted by ShawnD on December 6, 2023

【深度学习】LVM：Sequential Modeling Enables Scalable Learning for Large Vision Models

Abstract 我们提出了一种新的序列建模方法，该方法能够在不使用任何语言数据的情况下学习大视觉模型（LVM）。为此，我们定义了一种通用格式 “visual sentences”，我们可以用它来表示原始图像和视频以及带标注的数据来源，如语义分割和深度重建，而无需超出像素之外的任何元知识。将这些广泛的视觉数据（包含4200亿个tokens）表示为序列后，模型可以通过最小化下一个 t...

Posted by ShawnD on December 5, 2023

【ICCV 2023】DARSR：Learning Correction Filter via Degradation-Adaptive Regression for Blind Single Image Super-Resolution

Abstract 尽管现有的图像深度学习超分辨率（SR）方法在标准数据集上取得了有希望的性能，但是当低分辨率（LR）输入的退化未在训练中覆盖时，它们仍然会遭受严重的性能下降。为了解决这个问题，我们提出了一种创新的无监督方法：通过退化自适应回归学习校正滤波器，用于盲目单图像超分辨率。我们的方法高度受到广义采样理论的启发，旨在增强现有SR方法在已知退化上的训练强度，并适应未知的复杂退化...

Posted by ShawnD on December 4, 2023