通过稳健的Retinex分解对曝光不足的图像进行零镜头恢复会议：2020IEEEInternationalConferenceonMultimediaandExpo(ICME)论文地址：Zero-ShotRestorationofUnderexposedImagesviaRobustRetinexDecomposition|IEEEConferencePublication|IEEEXplore论

LossFunctionsforImageRestorationwithNeuralNetworks论文亮点摘要损失函数L1LossSSIMLossMS-SSIMLoss最好的选择：MS-SSIM+L1Loss结果讨论损失函数的收敛性SSIM和MS-SSIM的表现该论文发表于IEEETransactionsonComputationalImaging2016，点击论文原文查看全文。下面将记录笔者对

EfficientandExplicitModellingofImageHierarchiesforImageRestorationPDF:https://arxiv.org/pdf/2303.00748Code:https://github.com/ofsoundof/GRL-Image-Restoration.git

操作系统：ubuntu20.04python：3.7cuda：11.1pytorch：1.10安装过程：1.安装anaconda+安装Nvidia驱动+安装cuda+安装cudnn2.conda创建open-mmlab虚拟环境并进入3.gitclonemmediting并进入文件夹4.pipinstall-rrequirements.txt并pipinstall-v-e.5.运行demopytho

文章目录文章背景主要工作所提出的方法方法模块化分析GAN先验网络style-GAN训练策略微调模型实验数据集与评估一些实验结果文章标题：GAN先验嵌入网络用于盲脸恢复期刊：TheseCVPR2021papersaretheOpenAccessversions,providedbytheComputerVisionFoundation.文章链接：https://openaccess.thecvf.c

[2019ICLR]ImageRestorationviaResidualNon-localAttentionNetworks[paper]ImageRestorationviaResidualNon-localAttentionNetworks[PyTorch]https://github.com/yulunzhang/RNAN本篇文章语言非常好，值得细细细细读。整体思路是，同时学习local和

概述状态保存和恢复：保存app原来的界面，APP被系统中断后恢复之前的状态，文档描述如下：PreservingYourApp'sUIAcrossLaunches，Returnyourapptoitspreviousstateafteritisterminatedbythesystem.举个例子，假如在编辑一篇文档，没有保存，此时如果app被系统杀死了，重新启动编辑的数据就没了，有了这个功能，就能恢

向孙老师致敬！相关工作图像恢复模型体系结构比较方法块内(Intra-block)结构比较：其中ChannelAttention(CA)，SimplifiedChannelAttention(SCA)，从左到右依次替换归一化：将层归一化(LayerNormalization)添加到普通块中，因为它可以稳定训练过程。激活函数：在plain块中用GELU替换ReLU，因为它在保持图像去噪性能的同时，为图

AllOneNeedstoKnowaboutPriorsforDeepImageRestorationandEnhancement:ASurveyYunfanLu,YiqiLin,HaoWu,YunhaoLuo,XuZheng,andLinWangAbstractImagerestorationandenhancementisaprocessofimprovingtheimagequalityby

目录人脸数据集1.HelenFace2.CelebA(CelebrityAttribute)3.CelebA-HQ4.FFHQ（Flickr-Faces-HQ）场景数据集1.MSCOCO(CommonObjectsinContext)2.ImageNet3.Places2街景数据集1.ParisStreetView2.Cityscapes纹理数据集DTD（DescribableTexturesDa

首发于jwxie.cnMulti-StageProgressiveImageRestorationPDFLinkGithubCodeSection1介绍图像恢复是一个从低质量的图像恢复出高清图像的任务。典型的低质量因素有噪声，模糊，水滴噪声，雾噪声等。这是一个高度病态的问题，因为本质上对一张输入的低质量图像存在无限的可行解。为此，许多工作通过增加人工设计的图像先验信息，同时限制解空间的大小为自然图

引言大部分图像降噪、去雨等网络模型都是单步的，也是直接参考目标检测、实例分割那边的网络结果直接演化过来的，然而，多步的网络结果也是存在的，它将图像恢复任务通过很多个编码器-解码器结构的网络模型分解成很多个小的子任务，从而更好地提取不同的空间特征和上下文信息，进行更好地特征融合。于是，该论文就是在这个基础上提出来的。多阶段优点的是相比于单阶段的编码器-解码器结构，由于存在下采样使得会丢失一部分的空间

Question:OSError:libcurand.so.10:cannotopensharedobjectfile:Nosuchfileordirectory调整版本的型号进行匹配pythondemo/restoration_video_demo.py

说明：除了超分领域的论文外，同时也会附加一些backbone网络或者buildingblock、去噪（Denoise）、去雾（Dehaze）、去雨（Derain）去模糊（Deblur）、修复（Restoration

论文代码（应该还没放出来）摘要我们提出了一种基于学习的通用解决方案，用于恢复遭受空间变化的退化图像。先前的方法通常是特定于退化的，并且在不同的图像和图像中的不同像素上采用相同的处理。然而，我们假设这样的空间刚性处理对于同时恢复退化像素以及重建图像的干净区域而言是次优的。为了克服这一局限性，我们提出了SPAIR，这是一种网络设计，它包含退化定位信息，并根据图像中的困难区域动态调整计算。SPAIR由两

论文阅读笔记(IRCNN)：LearningDeepCNNDenoiserPriorforImageRestoration2017CVPRKaiZhang,WangmengZuo,ShuhangGu,LeiZhang论文地址：https://arxiv.org/abs/1704.03264代码地址：MATLABhttps://github.com/cszn/IRCNNPyTorchhttps://

前言该算法将SwinTransformer应用于图像复原的领域，主要网络结构分为三个部分：①浅层特征提取②深层特征提取③高质量图像重建。主要应用于图像复原的三个方向，图像超分辨、图像降噪、由于JPEG压缩造成的伪影减少。主要是借鉴了SwinTransformer即有局部特征又可以全局特征的特点，而且可以使用更少的参数来达到更好的效果。网络框架下图是SwinIR的整体框架图，主要包括三个部分，第一个

前言本文也是结合Transformer设计出来的网络结构用作图像恢复领域，主要包括图像去雨、运动去模糊、失焦去模糊和图像降噪（其中又包括了高斯彩色/灰度图的降噪、真是图像降噪）。创新点：①提出一种基于编码器-解码器的Restormer网络。②提出了一种新的局部transformer模块MDTA，可以加强局部和非局部有关联像素之间的联系。③一种新的门控前向传递网络。网络结构总体来看整体网络结构其实也

Abstract构建一个分层的编码-解码器，并使用Transformerblock进行图像恢复。Uformer两个核心设计：1.local-enhancedwindowTransformerblock（使用非重叠窗口自注意力降低计算量，并在feed-forwordnetwork上使用depth-wiseconvolution增强捕获局部上下文的能力）2.探索三种跳跃连接方案。1Introducti

论文笔记|【CVPR2021】Uformer:AGeneralU-ShapedTransformerforImageRestoration文章目录论文笔记|【CVPR2021】Uformer:AGeneralU-ShapedTransformerforImageRestoration1Motivation2Method2.1整体结构2.2LeWintransformerBlock2.3Multi-

前言借鉴了图像分割和识别网络那边的Unet运用到图像恢复领域上，主要包括图像降噪、运动去模糊、失焦模糊和去雨四个任务。创新点：①提出了一种新的基于Transformer结构的自注意力模块，类似于SWIR。②提出了一种可以学习的多尺度调制器嵌入到解码器中。网络结构整体网络结构其实就是Unet，但是里面的模块不一样。首先，输入时一个3×H×W的图像，然后经过一个3×3的卷积核和LeakyReLU激活函

论文来源：ICLR2019论文链接：pdf(openreview.net)项目链接：GitHub-yulunzhang/RNAN:PyTorchcodeforourICLR2019paper"ResidualNon-localAttentionNetworksforImageRestoration"作者：美国东北大学概述：提出了一种残差非局部注意力网络，可以在图像去噪，去马赛克，压缩伪影去除，超分

摘要（1）对于单图像降噪问题，捕获真实数据集是不可接受的昂贵且麻烦的过程。因此，图像去噪算法大部分是根据合成数据开发和评估的，而合成数据通常是在广泛假定加性高斯白噪声（AWGN）的前提下生成的。（2）尽管CNN在这些合成数据集上取得了令人印象深刻的结果，但如在最近的基准数据集中所报道的那样，当将它们应用于真实的相机图像时，它们的表现并不理想。这主要是因为AWGN不足以对真实的相机噪声进行建模，而实

图片的两种格式的区别RGBRAW概述通常的图像去噪算法都是基于添加AWGN合成的数据集进行研究和评估；CNN网路通常在这些合成的数据集上取得了较好的效果，而在实际场景却表现一般，主要由于AWGN不足以对真正的相机噪声进行建模，真正的相机噪声是依赖于信号，并经过相机成像通道进行严格的转换（因此，图像噪声跟相机的参数十分相关）；论文提出了一个网络可以对相机成像通道进行前向和反向建模简介高级视觉任务（图

摘要大规模数据集的可用性有助于释放深度卷积神经网络(CNN)的真正潜力。然而，对于单图像去噪问题，捕获真实数据集是一个无法接受的昂贵和繁琐的过程。因此，图像去噪算法主要是在合成数据上开发和评估的，这些合成数据通常是在广泛假设加性高斯白噪声(AWGN)的情况下生成的。尽管CNN在这些合成数据集上取得了令人印象深刻的结果，但正如最近的基准数据集所报告的那样，它们在应用于真实相机图像时表现不佳。这主要是

论文地址：https://arxiv.org/abs/2003.07761代码地址：https://github.com/swz30/CycleISP论文小结  总的来说，就是现实世界中无法获取有效的图像对。且之前合成噪声的方式是在sRGB上添加高斯白噪声，但对于相机传感器成像管道来说，经过一系列的处理，噪声早已不是高斯白噪声了，所以之前的论文方法在相机图像中效果不好。  所以作者设计了一种模式，

【论文参考】文章地址：https://www.researchgate.net/publication/303996052_Image_Restoration_Technique_with_Non_Linear_FilterImageRestoration

【实例简介】matlab图像超分辨处理与重建的代码，基于matlab开发，界面操作的【实例截图】【核心代码】Image_Restoration├──Compare.m├──Degrade.m├──EstAngle.m

1.简介谷歌去年发表了一篇文章：UnprocessingImagesforLearnedRawDenoising，是关于如何构造逼近真实的数据来进行降噪的，在去年的文章里，研究者们主要是模拟了ISP中从RAW图到sRGB的过程，然后将ISP的过程逆转过来，从sRGB到RAW，然后再在RAW域上添加噪声，从而构造出符合真实场景的噪声数据。今年谷歌又发表了一篇类似的文章，还是关于如何构造真实的仿真数据

代码Swinir:Imagerestorationusingswintransformer摘要：图像恢复是低水平视觉问题。目前大多图像恢复方法都是基于cnn，至于在高级视觉任务领域大放光彩的Transformer却很少使用。所以本文主要是基于Swintransformer建立了一个基准模型。这个模型包含三个部分：浅层特征提取、深层特征提取、图像重建。特别是，深度特征提取模块由几个残差Swintra

2021年6月6日提交到arxiv上的文章。后来的医学图像去噪架构Eformer就是Uformer基础上改进而来，看来还是值得一读，简单记录下。知乎同名账号同步发布。目录一、架构设计二、主要模块细节2.1，W-MSA2.2，LeFF2.3，三种跳跃连接三、计算开销四、实验结果一、架构设计架构如图：比起普通的UNet，不同之处在于采用了LeWinTransformer，这种Transformer也是

这篇文章结构比较简单，如果看过Swin-Transformer的话就没什么难点了。作者引入Swin-T结构应用于低级视觉任务，包括图像超分辨率重建、图像去噪、图像压缩伪影去除。SwinIR网络由一个浅层特征提取模块、深层特征提取模块、重建模块构成。重建模块对不同的任务使用不同的结构。浅层特征提取就是一个3×3的卷积层。深层特征提取是k个RSTB块和一个卷积层加残差连接构成。每个RSTB（Res-S

【NeurIPS2022】CrossAggregationTransformerforImageRestoration**研究动机：**当前方法Transformer方法把图像分成8x8的小块处理，thesquarewindowlacksinter-windowinteraction,leadingtotheslowincreaseofthereceptivefield。同时，thechannel

官方代码地址：https://github.com/NVlabs/noise2noise论文地址：https://arxiv.org/abs/1803.04189  第一次接触这方向，相当于翻译了。摘要  作者通过机器学习将基础统计推理应用于信号重建上：学习将损坏的观察结果（corruptedobservations）映射到干净信号上。作者从这个管道得到了一个简单且有力的结论：通过仅查看损坏样例来

这一篇是近期reconstruction-based在anomalydetection上有较大突破的一篇，想法很有意思，将传统reconstructiontask变成restorationtask：在喂入encoder之前除去inputx的某些属性变成(比如去除颜色，像素等)，再喂入encoder，如下图,而非重瞳的input直接喂入encoder进行reconstruction.另外不同去除属性

ImprovingImageRestorationbyRevisitingGlobalInformationAggregation（ECCV2022）Paper:https://arxiv.org/pdf/2112.04491.pdfCode:https://github.com/megvii-research/tlc作者解读：https://mp.weixin.qq.com/s/DCNWoRRN

论文笔记|【CVPR2022】Restormer:EfficientTransformerforHigh-ResolutionImageRestoration写在前面：距离我上次半途而废TensorFlow笔记已经过去了整整一年半。其实我自己也知道半途而废是不好的（笑。承蒙本校不弃，收留我读研（bushi），本科研小白上路了。上传自己的阅读笔记，一是方便以后查阅，二是想记录自己的水平变化，三是我确

论文链接：Arxiv期刊/会议：NeurIPS2022是否有code:Code关键词自监督学习,图像恢复，paper吐槽为什么要吐槽这篇文章？我不装了，我摊牌了，我承认我读完这篇paper我酸到破防。“这么一般的文章，也能中NeurIPS！？"。因此我要吐槽(黑)它！文章简介这是篇卖“方法”的文章。因为是要吐槽他，所以不会讲太细，说说我理解的创新点吧：核心创新点：感觉就是套了SelfSupervi

文章目录2.ModulatingImageRestorationwithContinualLevelsviaAdaptiveFeatureModificationLayers2.1研究目的2.2作者的两个发现2.3因此只需要两个网络，比如f15-net,然后固定f15-net的卷积层，finetune卷积层后面添加一个自适应卷积层，类似图中g的功能，可以得到f50-net和g.2.4aAdaFMl

ZERO-SHOTRESTORATIONOFUNDEREXPOSEDIMAGESVIAROBUSTRETINEXDECOMPOSITION1.摘要2.介绍3.RRDNet网络4.损失函数的设计5.实验6.评价代码：论文代码论文论文下载1.摘要低照度图像通常会出现严重的质量退化，如在黑暗中能见度差和潜在噪声。以往的低曝光图像复原方法大多忽略了噪声，在拉伸对比度的过程中对噪声进行放大。在增强低照度图像

Plug-and-PlayImageRestorationwithDeepDenoiserPrior基于深度去噪先验的即插即用图像恢复DOI：10.1109/TPAMI.2021.3088914Keywords：DenoiserPrior,ImageRestoration,ConvolutionalNeuralNetwork,HalfQuadraticSplitting,Plug-and-Play

目录0Abstract.1、Introduction.1.1.Newperspectiveonimagerestoration/图像恢复的新视角1.2.Relatedwork.1.2.1.VBTVpriorstoexpressperceptualinvariance/VBTV先验表示感知不变性1.2.2.DeepImagePrior.1.3.Contribution.我们在本文中的贡献有三个方面1

本文旨在训练一套快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中。code：GitHub-cszn/IRCNN:LearningDeepCNNDenoiserPriorforImageRestoration(CVPR,2017)(Matlab)贡献（1）训练了一套快速有效的CNN去噪器。通过变量分割技术，强大的去噪器可以将强大的图像先验引入基于模型的优化方法中。（2）学习的

U2Former:用于图像修复的U形嵌套Transformer
AbstractSectionIIntroductionSectionIIRelatedWorkSectionIIIMethodSectionIVExperimentsPart1AlbationStudyPart2ExperimentonImageDerainingPart3ExperimentsonImageDehazingSect

CVPR2021Multi-StageProgressiveImageRestorationcode:https://github.com/swz30/MPRNet简要记录下这篇文章的要点。提出问题：图像增强领域框架基本上分为两种设计：Encoder-decoder可以有效获取多尺度信息，但会牺牲空间细节；Asinglescalefeaturepipeline得到的图像有很好的空间细节，但是由于感

[判别学习]DiscriminativeTransferLearningforGeneralImageRestoration文章翻译与分析本文来自AbstractIntroductionRelatedWorkProposedmethod1.Diversityofdatalikelihood2.Decouplinglikelihoodandprior3.Discriminativetransferl

2021TPAMI/图像处理:ExploitingDeepGenerativePriorforVersatileImageRestorationandManipulation:利用深层生成先验进行多功能图像恢复和处理0.摘要1.概述2.相关工作2.1.图像先验2.2.图像恢复和操作2.3.GAN反演3.方法3.1.深层生成图像先验3.2.鉴别器引导渐进重建3.3.技术细节4.应用4.1.图像恢复4

用于图像修复的多尺度特征注意力金字塔：PyramidAttentionNetworksforImageRestoration目录用于图像修复的多尺度特征注意力金字塔：PyramidAttentionNetworksforImageRestoration1.传统non-local模块的问题2.尺度不可知的注意力ScaleAgnosticAttention3.金字塔注意力ScaleAgnosticAt

论文来源：CVPRW2019论文链接：http://ieeexplore.ieee.org/document/9025464项目地址：GitHub-xinntao/EDVR:WinningSolutioninNTIRE19ChallengesonVideoRestorationandEnhancement(CVPR19Workshops)-VideoRestorationwithEnhancedD

单位：腾讯PCG论文代码XintaoWang大佬（ESRGAN、EDVR作者）的力作，这篇论文和他们另一篇CVPR2021论文《GLEAN:GenerativeLatentBankforLarge-FactorImageSuper-Resolution》想法相近，但是做的是两个不同的恢复任务。摘要人脸盲恢复通常依赖于人脸先验信息，如人脸几何先验信息或参考先验信息来恢复真实可信的细节。然而，极低质量