- 博客(814)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【图像增强（Image Enhancement ）】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、关于答疑、文章目录、与我联系等（持续更新中...）
专栏内涉及的算法都是基于深度学习的图像增强算法；收录的文章基本上是基于Pytorch框架实现的，部分基于Tensorflow；预计完成100篇论文，并持续更新；专栏内文章主要为两部分：【论文精读】与【论文复现】论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算综合而言，从大到小拆解模型结构，从小到大实现模型搭建。实现论文与源码的统一，深入理解论文行文逻辑与代码实现逻辑，融汇贯通二者思想，并学以致用。
2025-09-01 15:56:57
2195
原创 【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
2025-01-14 18:19:51
14122
38
原创 【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
2024-03-25 15:50:42
26077
53
原创 【图像拼接（Image Stitching）】关于【图像拼接论文源码精读】专栏的相关说明，包含专栏内文章结构说明、源码阅读顺序、培养代码能力、如何创新等。总之，【图像拼接源码】复现看这一篇就够了！
本文是【图像拼接论文源码精读】专栏的相关说明，将一些共性的东西在这里做统一说明，就不在每一篇文章中重复了。【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）。先看该专栏说明，然后进入专栏阅读相关文章，建议同步订阅，同步阅读。本专栏针对图像拼接领域公布源码的文章进行源码解读，没有源码的文章在有源码的文章全部更新完毕后尝试复现。
2024-01-01 10:01:56
26885
15
原创 【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
2023-11-30 15:36:46
38833
28
原创 【图像增强】论文精读：LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models
本文提出LDM-ISP方法，利用预训练的潜在扩散模型增强低光RAW图像的神经ISP处理。针对极低光照条件下信噪比接近零的难题，该方法通过训练轻量级驯服模块将RAW信息注入扩散去噪过程，避免了直接微调模型导致的先验遗忘。创新性地将任务分解为低频内容生成和高频细节维护两个子任务，采用2D离散小波变换分离处理，充分利用潜在扩散模型不同部分的生成能力。实验表明，该方法在定量指标和视觉质量上均优于现有技术，有效解决了低光图像增强中的细节丢失和颜色偏差问题。该工作为扩散模型在专业图像处理领域的应用提供了新思路。
2025-09-13 18:33:06
1
原创 【图像增强】论文精读：Towards Fast and Light-Weight Restoration of Dark Images（LLPackNet）
本文提出了一种轻量级神经网络LLPackNet，用于高效恢复极暗的高分辨率图像。针对现有方法在计算资源和内存占用上的局限性，该网络通过创新的Pack/Unpack操作在低分辨率空间进行主要计算，同时保持图像质量。关键贡献包括：1) 在HR和LR空间之间高效传输的打包/解包机制；2) 从输入直方图自动估计放大因子，无需真实信息；3) 相比现有方法减少2-7倍参数量、2-3倍内存占用，速度提升5-20倍。实验表明，该方法在CPU上3秒内能处理2848×4256分辨率图像，在保持重建质量的同时显著提升了计算效率，
2025-09-13 18:32:12
1
原创 【图像增强】论文精读：Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement
本文提出Retinex-RAWMamba方法，针对低光RAW图像增强任务，通过结合Mamba机制和Retinex理论解决了跨域映射中的关键问题。传统方法在处理RAW到sRGB转换时存在去噪性能有限和颜色失真等问题。该研究创新性地设计了八方向Mamba扫描机制（RAWMamba）以适应不同CFA模式，并引入Retinex分解模块（RDM）实现光照与反射率的解耦，从而提升去噪效果并实现自动非线性曝光校正。该方法将任务分解为RAW域去噪和跨域映射两个子任务，采用双域编码级增强分支补偿信息损失。
2025-09-12 10:33:31
18
原创 【图像增强】论文精读：HALF WAVELET ATTENTION ON M-NET+ FOR LOW-LIGHT IMAGE ENHANCEMENT
本文提出了一种基于改进层次模型M-Net+的低光图像增强网络HWMNet。该网络在半小波注意块(HWAB)中引入离散小波变换，通过双注意力机制增强小波域特征提取，同时采用选择性核特征融合提高重建质量。在LOL和MIT-Adobe FiveK数据集上的实验表明，HWMNet在PSNR、SSIM和LPIPS指标上均达到先进水平，计算复杂度更低。该方法通过混合下采样策略和跨域特征提取，有效改善了低光图像增强效果。
2025-09-12 10:32:57
14
原创 【图像增强】论文精读：Toward Fast, Flexible, and Robust Low-Light Image Enhancement
论文题目：Toward Fast, Flexible, and Robust Low-Light Image Enhancement —— 迈向快速、灵活和鲁棒的微光图像增强现有的微光图像增强技术大多不仅难以处理视觉质量和计算效率，而且在未知的复杂场景中通常是无效的。在本文中，我们开发了一种新的自校准照明(SCI)学习框架，用于在现实场景中快速、灵活和鲁棒的增亮图像。具体来说，我们建立了一个权重共享的级联照明学习过程来处理这个任务。考虑到级联模式的计算负担，我们构建了自校准模块。
2025-09-11 10:43:13
13
原创 【图像增强】论文精读：Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image M
论文题目：Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network —— 基于光照感知伽马校正和完整图像建模网络的微光图像增强论文源码：无ICCV 2023本文提出了一种新的具有光照感知伽马校正和完整图像建模的网络结构来解决微光图像增强问题。弱光环境通常会导致信息量较少的大规模黑暗区域，直接从低光图像中学习深度表示对恢复正常光照不敏感。我们建议。
2025-09-11 10:42:35
11
原创 【图像增强】论文精读：R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network
本文提出了一种基于Retinex理论的R2RNet网络用于微光图像增强，包含分解、去噪和亮度增强三个子网络。该网络创新性地结合空间和频域信息，在提升对比度的同时保留细节。作者还构建了首个大规模真实世界配对低光/正常光数据集LSRW，解决了现有合成数据泛化性差的问题。实验表明，该方法在公共数据集上定量和定性均优于现有技术，并能有效提升后续视觉任务（如人脸检测）的性能。
2025-09-10 09:57:06
20
原创 【图像增强】论文精读：Pyramid Diffusion Models For Low-light Image Enhancement（PyDIff）
本文提出了一种金字塔扩散模型PyDiff用于低光图像增强。针对传统扩散模型存在的分辨率固定导致速度慢、易产生全局退化等问题，PyDiff创新性地采用金字塔分辨率采样方式逐步提升分辨率，使推理速度提升近2倍。同时引入全局校正器缓解RGB偏移等全局退化问题，显著提升性能且几乎不增加计算量。实验表明，PyDiff在LOL和LOLV2等基准测试中均达到SOTA性能，并能良好泛化到未知噪声和光照分布。该工作是首个将扩散模型应用于低光增强领域并取得显著优势的研究。
2025-09-10 09:56:34
25
原创 【图像增强】论文精读：LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion
摘要 本文提出了一种基于扩散模型的无监督低光图像增强方法LightenDiffusion，将Retinex理论与扩散模型相结合。该方法创新性地在潜在空间进行Retinex分解，通过内容转移分解网络将图像特征分解为内容丰富的反射率图和无内容光照图。利用低光图像的反射率图与正常光图像的光照图作为扩散模型输入，并引入自约束一致性损失消除内容干扰。实验表明，该方法在无监督方法中表现最优，与监督方法性能相当且更具泛化能力。关键创新包括：1）潜在空间Retinex分解；2）无监督的扩散模型框架；3）自约束一致性损失的提
2025-09-09 13:33:39
35
原创 【图像增强】论文精读：Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement（SKF）
本文提出了一种语义感知知识引导框架(SKF)用于低光图像增强(LLIE)。现有方法通常全局处理图像而忽略区域语义信息，容易导致颜色失真。SKF利用预训练语义分割模型提供的丰富语义先验，通过三个关键技术：1)语义感知嵌入模块将语义信息融入特征表示；2)语义引导颜色直方图损失保持局部区域颜色一致性；3)语义引导对抗损失提升纹理真实性。实验表明，SKF能显著提升现有LLIE方法性能，在多个数据集上取得优越效果。该框架具有良好的通用性，可适配不同模型和场景。
2025-09-09 13:33:04
20
原创 【图像超分】论文复现：CVPRW 2023 | 轻量化超分 | NTIRE2023复杂度赛道第一 | MDRN的Pytorch源码复现，跑通源码，获得指标和超分结果，架构梳理拆解，逐行注释！
本文介绍了轻量级超分辨率模型MDRN（Multi-level Dispersion Residual Network）的代码实现与解析。文章首先提供环境配置和数据集准备指南，详细说明测试与训练流程。随后对MDRN的核心创新点进行剖析，包括改进的MDSA注意力机制和ECCA通道注意力模块，以及采用BSConvU轻量化设计替代标准卷积。通过结构图与源码结合的方式，逐行注释关键代码，帮助读者快速理解模型架构。文章还提供了完整的测试指标（PSNR/SSIM）、参数量、计算量和可视化结果，为研究者选择基线模型提供参考
2025-09-08 10:10:40
175
原创 【图像超分】论文复现：CVPR 2025 | 轻量化超分 | 新卷积和新链接模式 | SLVR的Pytorch源码复现，跑通源码，获得指标和超分结果，计算复杂度，架构梳理拆解，逐行注释！
这篇文章主要介绍了SLVR（超轻视觉重建）模型的代码实现与解析，重点包括： 代码运行指南：提供了从数据集准备、测试到训练的完整流程，包含环境配置、预训练模型下载和测试命令。 网络结构解析：详细拆解了SLVR的两个核心创新点： 将BSConv改进为B2Conv（蓝图可控卷积） 提出新的特征连接方式FDEL（特征多样性探索链接） 关键组件实现：重点分析了自适应通道门控单元(ACU_gate)的工作原理，通过将卷积输出分为门控通道和特征通道，实现动态特征筛选。 该文章属于技术实践类内容，适合超分辨率领域的研究者和
2025-09-08 10:10:12
1611
原创 【图像增强】论文精读：Implicit Neural Representation for Cooperative Low-light Image Enhancement（NeRCo）
本文提出了一种基于隐式神经表示的无监督协同微光图像增强方法NeRCo。该方法通过可控拟合函数统一处理真实场景中的不同退化因素，提高算法鲁棒性；利用预训练视觉语言模型的语义先验进行多模态监督，弥合指标优化与视觉感知之间的差距；设计双闭环约束增强模块，以自监督方式减少对配对数据的依赖。实验表明，NeRCo在恢复视觉友好结果方面优于现有方法，甚至超过部分监督算法。该工作为微光图像增强提供了新思路，首次将神经表示的可控拟合能力和多模态学习引入该领域。
2025-09-07 09:02:21
26
原创 【图像增强】论文精读：Unsupervised Night Image Enhancement: When Layer Decomposition Meets Light-Effects Suppre
论文题目：Unsupervised Night Image Enhancement: When Layer Decomposition Meets Light-Effects Suppression —— 无监督夜间图像增强:当层分解遇到光效应抑制时ECCV 2022夜间图像不仅受到弱光的影响，还受到光线分布不均匀的影响。现有的夜间能见度增强方法主要集中在增强弱光区域。这不可避免地导致明亮区域的增强和饱和，例如那些受光效应影响的区域（眩光、洪水光等）。为了解决这个问题，我们需要。
2025-09-07 09:01:53
20
原创 【图像增强】论文精读：You Only Need 90K Parameters to Adapt Light: a Light Weight Transformer for Image Enhance
本文提出了一种轻量级Transformer模型IAT（Illumination-Adaptive Transformer），用于图像增强和曝光校正。IAT通过分解ISP（图像信号处理器）管道为局部和全局组件，仅需约90k参数即可实现高效处理（0.004s/图像）。在局部分支中使用深度卷积替代注意力机制，全局分支则通过注意力查询动态调整ISP相关参数（如颜色校正矩阵、伽马值）。实验表明，IAT在弱光增强、曝光校正等任务上性能优于现有方法，同时显著提升了目标检测和语义分割等高级视觉任务的性能。该模型具有轻量化、
2025-09-06 12:28:57
25
原创 【图像增强】论文精读：Low-Light Image Enhancement with Wavelet-based Diffusion Models
本文提出了一种基于小波扩散模型（DiffLL）的微光图像增强方法，通过小波变换降低计算复杂度，同时保持图像质量。该方法包含小波条件扩散模型（WCDM）和高频恢复模块（HFRM），前者在训练阶段结合正向扩散和去噪以提高稳定性，后者利用垂直和水平细节补充对角线信息。实验表明，DiffLL在真实数据集上优于现有方法，推理速度比传统扩散模型快70倍，且在人脸检测等下游任务中表现优异。该方法在感知质量和计算效率上均取得显著提升。
2025-09-06 12:28:32
19
原创 【图像增强】论文精读：Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Data
本文提出了一种基于注意力引导的低光图像增强方法（AGLLNet），通过构建大规模合成数据集和设计多分支网络，同时解决亮度恢复和噪声抑制问题。首先，作者提出创新的低光图像模拟策略，构建了比现有数据集更丰富多样的合成数据集。其次，网络通过两个注意力图分别指导亮度增强（区分曝光不足区域）和去噪（区分噪声与真实纹理），并采用多分支结构进行自适应处理，最后通过强化网络优化输出效果。实验表明，该方法在多个数据集上显著优于现有方法，能生成高保真的增强结果。主要贡献包括：1）构建大规模低光模拟数据集；2）提出注意力引导的多
2025-09-05 13:35:55
23
原创 【图像增强】论文精读：Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Meth
本文提出了一种基于Transformer的超高清低光图像增强方法LLFormer，并构建了首个大规模4K/8K低光图像数据集UHD-LOL。针对现有方法难以处理高分辨率图像的局限，LLFormer采用基于轴的多头自注意和跨层注意融合块，显著降低了计算复杂度。实验表明，LLFormer在UHD-LOL和现有数据集上均优于现有方法，并能有效提升下游任务性能。该工作为超高清低光图像增强提供了新基准和方法。
2025-09-05 13:35:21
23
原创 【图像增强】论文精读：Global Structure-Aware Diffusion Process for Low-Light Image Enhancement（GSAD）
本文提出了一种基于扩散模型的微光图像增强方法GSAD，通过引入全局结构感知正则化来优化扩散过程的ODE轨迹。方法创新点包括：1）设计曲率正则化项，利用图像非局部结构保持细节和对比度；2）采用不确定性引导的正则化技术自适应调整极端区域的约束强度。实验表明，该方法在图像质量、去噪和对比度提升方面优于现有技术，为扩散模型在图像增强领域的应用提供了新思路。
2025-09-04 10:54:01
31
原创 【图像增强】论文精读：MODALFORMER: MULTIMODAL TRANSFORMER FORLOW-LIGHT IMAGE ENHANCEMENT
论文题目：MODALFORMER: MULTIMODAL TRANSFORMER FORLOW-LIGHT IMAGE ENHANCEMENT —— MODALFORMER：用于微光图像增强的多模态变压器arXiv 2025！由于光照条件不足拍摄的图像存在噪声、细节丢失和对比度差，微光图像增强(LLIE)是一项基本而具有挑战性的任务。最近的方法通常依赖于 RGB 图像的像素级转换，而忽略了从多个视觉模态中可用的丰富上下文信息。在本文中，我们提出了第一个大规模LLIE多模态框架ModalFormer。
2025-09-04 10:53:23
24
原创 【图像增强】论文精读：Low-light Image Enhancement via Breaking Down the Darkness（Bread）
本文提出了一种基于分治原则的弱光图像增强方法Bread，通过将图像分解为亮度(纹理)和色度(颜色)分量分别处理。首先将RGB图像转换到YCbCr空间，利用光照调整网络估计相对光照差异图，指导自适应噪声抑制网络去除亮度分量中的噪声。增强后的亮度再作为指导，通过颜色适应网络校正色度分量。该方法创新性地解耦了噪声和颜色失真问题，在多个基准测试中表现出色，定量和定性评估均优于当前最先进方法。
2025-09-03 12:34:35
30
原创 【图像增强】论文精读：Learning a Simple Low-light Image Enhancer from Paired Low-light Instances（PairLIE）
本文提出了一种无监督的低光图像增强方法PairLIE，通过成对的低光图像学习自适应先验。该方法基于Retinex理论，利用两个低光输入共享相同反射率分量的特性，设计网络结构(L-Net和R-Net)进行图像分解。首先通过自监督机制去除不适当特征，再对优化后的图像进行Retinex分解，避免次优估计。相比现有方法，PairLIE减少了对手工先验的依赖，使用更简单的网络结构，在公共数据集上取得了与最先进方法相当的性能。主要贡献包括：提出基于成对低光图像的通用解决方案，采用特征投影提高分解准确性，以及实现更少人工
2025-09-03 12:34:10
28
原创 【图像增强】论文精读：DNF: Decouple and Feedback Network for Seeing in the Dark
本文提出DNF框架解决RAW暗光图像增强中的单阶段和多阶段方法的局限性。单阶段方法存在域歧义问题，而多阶段方法因图像级数据流导致信息丢失。DNF通过解耦RAW去噪和颜色渲染两个子任务，利用各自领域的独特属性，并引入跨阶段特征反馈机制，避免误差累积。实验表明，DNF在参数减少81%的情况下，PSNR性能显著优于现有方法。
2025-09-02 15:28:09
24
原创 【图像增强】论文精读：Learning to See in the Extremely Dark（SIED）
本文提出了一种针对极低光照条件的RAW图像增强方法，通过构建SIED数据集和基于扩散的框架来解决现有技术的局限性。SIED数据集包含三个精确校准的照度范围（0.0001-0.1 lux）的成对低光RAW图像和高质量sRGB参考图像，填补了极端暗光环境数据集的空白。提出的扩散框架创新性地引入自适应照明校正模块（AICM）和颜色一致性损失，有效解决了曝光偏差和颜色失真问题。实验表明，该方法在极低光条件下能显著提升图像质量，在全局对比度增强、噪声抑制和色彩还原方面优于现有方法。
2025-09-02 15:27:43
32
原创 【图像去噪】论文精读：IDF: Iterative Dynamic Filtering Networks for Generalizable Image Denoising
提出了一种轻量级动态滤波网络（IDF），用于解决图像去噪中模型泛化性不足的问题。传统深度学习方法易过拟合特定噪声分布，而IDF通过动态生成像素级自适应内核，结合特征提取、全局统计和局部相关模块，迭代优化去噪过程。其核心创新包括：（1）约束核权重总和为1，确保内容自适应平均而非噪声记忆；（2）自适应迭代策略，根据置信度动态调整计算量。实验表明，仅用0.04M参数、单级高斯噪声训练的IDF，在多种噪声类型（高斯、泊松、真实传感器噪声等）上均表现优异，优于现有方法。该工作为高效、泛化性强的图像去噪提供了新思路。
2025-09-01 15:57:53
53
原创 【图像超分】论文精读：Large Kernel Modulation Network for Efficient Image Super-Resolution（LKMN）
本文提出了一种基于CNN的高效图像超分辨率重建方法——大核调制网络（LKMN）。针对现有方法在非局部特征捕获和推理速度之间的权衡问题，LKMN通过两个核心创新实现了性能与效率的平衡： 增强部分大内核块（EPLKB）：采用通道混洗增强信息交互，结合通道注意力聚焦关键信息，并在部分通道上使用分解的31×31大核条带卷积提取非局部特征，显著降低计算复杂度。 跨门前馈网络（CGFN）：通过可学习比例因子动态调整输入特征差异，采用交叉门策略调制融合局部和非局部特征，增强特征互补性。
2025-08-31 14:17:54
74
原创 【图像超分】论文精读：LKFMixer: Exploring Large Kernel Feature For Efficient Image Super-Resolution
摘要 本文提出LKFMixer，一种基于大卷积核的轻量级超分辨率重建网络。针对传统CNN感受野有限和Transformer计算复杂度高的问题，该方法通过坐标分解将31×31大核分解为1×31和31×1的条带卷积，结合部分卷积(PConv)减少计算量。网络核心包含特征蒸馏块(FDB)、空间特征调制块(SFMB)和特征选择块(FSB)，分别实现局部/非局部特征融合、空间-通道注意力机制和特征自适应加权。实验表明，在保持5倍推理速度优势的同时，LKFMixer-L在Manga109数据集上较SwinIR-ligh
2025-08-31 14:17:16
49
原创 【图像超分】论文精读：CLASSIFICATION-BASED DYNAMIC NETWORK FOR EFFICIENT SUPER-RESOLUTION
本文提出了一种基于分类的动态网络(CDNSR)用于高效图像超分辨率重建。该方法通过分类网络将输入图像块按恢复难度分类，并分配不同复杂度的超分网络进行处理，在保证质量的同时降低计算开销。CDNSR包含分类模块(Module-CL)和超分模块(Module-SR)，前者采用Gumbel Softmax技巧实现端到端训练，后者通过知识蒸馏保持性能。实验表明，该方法能有效加速多种超分网络，在计算效率与重建质量间取得良好平衡。该工作为资源受限场景下的图像超分提供了新思路。
2025-08-30 11:33:35
39
原创 【图像超分】论文精读：WaveHiT-SR: Hierarchical Wavelet Network for Efficient Image Super-Resolution
本文提出WaveHiT-SR，一种基于分层小波变换的高效图像超分辨率网络。针对现有Transformer方法因固定小窗口限制感受野的问题，该方法创新性地采用自适应分层窗口机制，结合小波变换进行多尺度特征提取。通过将图像分解为不同频率子带，网络能同时关注全局结构和局部细节。实验表明，该方法在SwinIR-Light等模型基础上显著提升性能，同时降低计算复杂度。相比传统方法，WaveHiT-SR在参数数量、FLOPs和运行速度等方面均取得优势，实现了更高效的超分辨率重建。该工作为结合频域分析与Transform
2025-08-30 11:33:00
57
原创 【图像超分】论文精读：Efficient Single Image Super-Resolution with Entropy Attention and Receptive Field Augmen
本文提出了一种高效的超分辨率重建模型EARFA，通过熵注意力(EA)和移位大核注意力(SLKA)在模型效率和性能之间取得平衡。EA基于信息论增加中间特征的熵，提供更丰富的信息输入；SLKA通过通道移位扩展感受野，提升特征多样性。相比基于Transformer的模型，EARFA避免了复杂的矩阵计算，显著提高了推理速度。实验表明，该方法在保持优异超分性能的同时，大幅降低了计算延迟。主要创新点包括：1) 从信息论角度设计EA机制；2) 改进LKA为SLKA，增强感受野；3) 整体架构实现了效率与性能的最佳权衡。
2025-08-29 14:28:12
40
原创 【图像超分】论文精读：SLVR: Super-Light Visual Reconstruction via Blueprint Controllable Convolutions and Explo
SLVR：一种基于蓝图可控卷积和特征多样性表示的轻量级视觉重建方法 摘要：本文提出了一种超轻视觉重建框架SLVR，通过改进传统残差结构和卷积操作解决现有方法中的两个关键问题：1)特征加法模式(FAM)导致的网络惯性现象；2)蓝图可分离卷积(BSConv)中核内相关性不正确的问题。主要创新包括：1)提出特征多样性演化链接(FDEL)，通过减少低级特征保留来缓解网络惯性；2)设计蓝图可控卷积(B2Conv)，通过访问控制单元自适应选择相关通道。
2025-08-29 14:27:42
395
原创 【图像增强】论文精读：Interpretable Optimization-Inspired Unfolding Network for Low-Light Image Enhancement
本文提出了一种基于Retinex理论的可解释优化展开网络URetinex-Net++，用于解决微光图像增强问题。该方法将优化过程展开为深度网络，包含初始化、展开优化和组件调整三个模块。主要创新包括：1）引入跨阶段融合块（CSFB）缓解颜色缺陷；2）采用空间一致性损失训练组件调整模块；3）通过两个网络自适应拟合隐式先验，实现噪声抑制和细节保留。实验表明，URetinex-Net++在视觉质量和定量指标上优于现有方法，且计算成本较低。相比前作URetinex-Net，本方法在保持可解释性的同时，通过跨阶段融合有
2025-08-28 12:20:17
732
原创 【图像增强】论文精读：Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative Diffusion Model
本文提出了一种基于生成扩散模型的低光图像增强方法Diff-Retinex。该方法将Retinex分解与条件图像生成相结合，通过Transformer分解网络(TDN)将图像分解为光照和反射率图，再使用多路径扩散生成网络分别调整这两个组件。与现有方法相比，Diff-Retinex不仅能增强图像质量，还能恢复甚至推断低光图像中丢失的细节信息。实验表明，该方法在真实数据集上具有优异的性能表现，是首个将扩散模型应用于低光增强的研究。
2025-08-28 12:19:44
973
原创 【图像增强】论文精读：From Fidelity to Perceptual Quality: A Semi-Supervised Approach for Low-Light Image Enhan
论文题目：From Fidelity to Perceptual Quality: A Semi-Supervised Approach for Low-Light Image Enhancement —— 从保真度到感知质量:微光图像增强的半监督方法（DRBN）CVPR 2020！半监督，递归网络，GAN曝光不足引入了一系列视觉退化，即能见度降低、噪声密集、颜色偏差等。为了解决这些问题，我们提出了一种新的微光图像增强半监督学习方法。提出了一种深度递归频带网络(DRBN)
2025-08-27 11:03:32
770
原创 【图像增强】论文精读： Structure-guided Diffusion Transformer for Low-Light Image Enhancement
本文提出了一种基于结构引导扩散变压器(SDTL)的微光图像增强方法。该方法首次将扩散变压器(DiT)引入微光增强领域，通过小波变换将图像分解为多方向频段特征，利用结构增强模块(SEM)和结构引导注意力块(SAB)实现高效增强。SEM通过两步增强策略结合结构先验提升细节恢复能力，SAB则引导网络关注纹理丰富区域。实验表明，该方法在多个数据集上优于现有技术，既能有效提升图像质量，又保持了较高的推理效率，展现了DiT在微光增强任务中的潜力。
2025-08-27 11:02:55
991
图像超分辨率WDSR的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-30
图像超分辨率RDN的Pytorch版本复现代码，注释详细，易读易复用，含最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-28
Python实现多图像转换成连贯的PDF文件，支持所有图片格式，可预览、裁剪、自定义PDF布局、设置图像顺序、PDF质量选择等
2024-04-28
PPT绘制超分辨率论文中网络结构图，多种模板可供选择，包括3D立体效果的网络结构、2D平面结构以及相关组件的绘制
2024-08-12
一步到位绘制计算机视觉领域的局部放大图，对比各模型的可视化效果，可多图实时查看局部放大区域对比，点击鼠标即可同时裁剪并保存局部放大区域！
2025-05-16
图像拼接论文Seam-guided local alignment and stitching for large parallax images源码，跑通+注释
2025-02-27
图像超分专栏内文章单篇购买：图像超分论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的
2025-02-19
图像去噪Self2Self(S2S)的Pytorch复现代码，跑通代码，原理详解，代码实现、网络结构、论文公式相互对应，注释清晰
2024-12-06
图像去噪ECNDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据
2024-09-19
图像去噪Noise2Void（N2V）的Pytorch复现代码，基于U-Net模型实现，原理详解，注释详细，包含训练好的模型
2024-09-10
图像去噪RNAN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-09-07
图像去噪Noise2Noise的Pytorch复现代码，基于REDNet30模型实现，N2N原理详解，注释详细，包含训练好的模型
2024-09-06
图像去噪IRCNN的Pytorch极简复现代码，包含计算PSNR/SSIM以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-30
图像去噪MWCNN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-29
图像去噪MemNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-25
图像去噪REDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-24
图像去噪RIDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接用于真实图像去噪
2024-08-20
图像去噪DnCNN的Pytorch完复现代码，源码基础上添加DnCNN-B/CDnCNN-B、DnCNN-3的训练和测试复现
2024-08-12
图像超分辨率RCAN的Pytorch复现代码，科研绘图，指标计算，最优SSIM和PSNR的模型权重文件（x2、x3、x4、x8）
2024-05-22
图像超分辨率FSRCNN的最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-16
图像超分辨率SRCNN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-14
图像超分辨率ARCNN的Pytorch复现代码，注释详细，含科研绘图，各Quality下的最优SSIM和PSNR的模型权重文件
2024-05-13
图像超分辨率IDN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-08
如何识别区分工件正反面？
2023-03-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人