六、图像恢复-超分
20、Fourier Space Losses for Efficient Perceptual Image Super-Resolution
许多超分辨率 (SR) 模型仅针对精度效果进行优化，模型庞大、缺乏效率。大模型在实际应用中通常不实用，本文提出新的损失函数，以从更有效的模型中实现具有高感知质量的 SR。
利用傅立叶空间监督损失来改进从丢失的高频 (HF) 内容，并设计直接在傅立叶域的判别器架构以更好地匹配目标 HF 分布。与最先进的感知 SR 方法 RankSRGAN 和 SRFlow 相比，分别快 2.4 倍和 48 倍。
七、图像恢复-反光去除
21、Location-aware Single Image Reflection Removal
本文提出一种新的基于位置感知的图像反射去除方法。网络设计了一个反射检测模块来回归概率反射置信度图，将多尺度拉普拉斯特征作为输入。
https://github.com/zdlarr/Location-aware-SIRR
22、V-DESIRR: Very Fast Deep Embedded Single Image Reflection Removal
实际生活中，图像可能会由于不需要的反射出现损坏情况，大多数现有方法要么通过妥协处理速度和内存要求来专注于恢复质量，要么专注于在非常低的分辨率下消除反射，从而限制了它们的实际部署能力。
提出一个轻量级的深度学习模型，用一种新的尺度空间架构来去除反射。方法分两个阶段处理损坏的图像，低尺度子网络 (LSSNet) 处理最低尺度，渐进推理阶段处理更高尺度。与最新的最先进算法 RAGNet 相比，速度提高了 20 倍，参数数量减少了 50 倍。
八、图像恢复-光斑去除
23、How to Train Neural Networks for Flare Removal
当相机对上了强光源时，生成的照片可能包含镜头眩光伪影。耀斑以多种模式出现（光晕、条纹、渗色、混浊等），这种外观的多样性使得消除耀斑具有挑战性。现有方案对其几何形状或亮度做强假设，因此仅适用于一小部分耀斑。且由于缺乏训练数据，尚未广泛应用于消除眩光。
本文模拟耀斑的光学原因，生成耀斑损坏和干净图像的合成对。从而使训练神经网络消除镜头眩光成为可能。实验表明，数据合成方法对于准确去除眩光至关重要，且模型可推广到不同场景、光照条件和相机的真实镜头眩光去除。
24、Light Source Guided Single-Image Flare Removal from Unpaired Data
相机内部光线的反射、散射，可能使得拍摄图像出现眩光伪影。耀斑可能以各种形状、位置和颜色出现，因此从图像中检测和完全去除它们是非常具有挑战性的。
本文首先分别检测光源区域和耀斑区域，根据光源感知引导去除耀斑伪影。通过学习两种类型区域之间的潜在关系，方法可以从图像中去除不同类型的耀斑。此外，没有使用难以收集的成对训练数据，而是提出第一个不成对的耀斑去除数据集和新的循环一致性约束，以避免手工标注成本。
九、图像恢复-去除阴影
25、DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network
单图像去除阴影仍是一个悬而未决的问题。大多数现有基于学习的方法用监督学习，要大量成对的图像（阴影和相应的非阴影图像）进行训练。最近一种无监督方法 MaskShadowGAN 解决了这个限制。然而，它需要一个二值掩码来表示阴影区域，不适用于软阴影。
本文提出一种无监督的域分类器引导的阴影去除网络 DC-ShadowNet。具体来说，将阴影/无阴影域分类器集成到生成器及其判别器中，使它们能够专注于阴影区域。引入基于物理的无阴影色度、阴影鲁棒感知特征和边界平滑度的新损失。
十、图像恢复-水下图像失真去除
26、Learning to Remove Refractive Distortions from Underwater Images
水面波动、折射失真，严重降低水下场景的图像质量。提出用于恢复无失真水下图像的引导网络（DG-Net）。关键思想是使用失真图来指导网络训练。在几个真实和合成的水下图像数据集上评估，包括无人机拍摄的室外游泳池图像和手机摄像头拍摄的室内水族馆图像。
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》
