29 5 月, 2023
论文笔记——[SIGGRAPH2023]Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Mani...
创新点： ①交互式的控制图片的变化 给定一对（handle point, target point），本方法以一种优化的方式执行图像操作。如上图所示，每个优化步...
2566 0
8 11 月, 2022
论文笔记——[人脸3d重建][CVPR 2021 Oral]Inverting Generative Adversarial Renderer for Face Reconstruction
基础知识：基于3DMM的三维人脸重建技术总结 （潜码和噪声的概念见StyleGAN） （GAN逆转的文章见In-Domain GAN Inversion for...
2993 0
6 11 月, 2022
论文笔记——[CVPR workshop 2022]Transformer for Single Image Super-Resolution
创新点： ①由轻量CNN主干Lightweight CNN Backbone(LCB)和轻量Transformer主干Lightweight Transform...
3459 0
5 11 月, 2022
论文笔记——[CVPR 2022 Oral]Restormer: Efficient Transformer for High-Resolution Image Restoration
创新点： ①解决高分辨率图像的图像恢复任务中transformer复杂度高的问题 ②在图像运动去模糊，去焦去模糊，图像去噪（高斯灰度/颜色去噪，和真实图像去噪）...
3300 0
10 8 月, 2022
论文笔记——HIPA: Hierarchical Patch Transformer for Single Image Super Resolution
创新点： ①对LR图像处理成分层次的子块，通过迭代的网络，形成从小到大不同size的区域。 ②基于通道注意力的位置编码策略。 ③基于卷积的多层注意力组 总体结构...
2723 0
25 7 月, 2022
论文笔记——[ICCV 2021]Learning for Scale-Arbitrary Super-Resolution from Scale-Specific Networks
创新点： ①从固定尺度中学习任意尺度的超分，且能处理不匀称尺度(高宽不成比例)。 ②通过对现有超分网络加入插件模块实现任意尺度的超分，该模块由多尺度感知的特征自...
2694 0
21 7 月, 2022
论文笔记——Fast Vision Transformers with HiLo Attention
创新点： ①高频捕捉局部精细数据，低频聚焦全局结构 ②为了区分不同频率的独特性质，让attention中的不同头分为两组，分别进入进入高\低频注意力模块，高频通...
3553 1
20 7 月, 2022
论文笔记——[AAAI 2022]Less is More: Pay Less Attention in Vision Transformers
创新点： ①在浅层用MLP编码局部特征 ②在深层用自注意力捕获长距离依赖 ③可变形的token融合模块，以非均匀的方式自适应地融合patch。 特点：减少计算成...
3166 3
13 7 月, 2022
论文笔记——[ICCV 2021 Oral]Co-Scale Conv-Attentional Image Transformers
创新点： ①协同尺度的卷积注意力机制(并行、串行) ②通过卷积实现embedding的相对位置(减少计算量) 基于卷积的的注意力模块总体结构 分析自注意力机制 ...
2854 1
13 7 月, 2022
论文笔记——[CVPR 2020]Learning Spatial Attention for Face Super-Resolution
创新点： ①空间注意力机制 ②加入鉴别器，可以让网络生成多尺度图像(SPARNetHD) 总体结构 主要由三个模块构成： 降尺度模块 特征提取模块 升尺度模块 ...
2428 1
3 7 月, 2022
论文笔记——[CVPR 2022]Vision Transformer with Deformable Attention
创新点： ①以数据依赖的方式在自注意力计算中选择K和V对。 ②通过一个网络学习offset坐标，采用双线性插值计算位置。 与其他网络的对比(Attention模...
3130 0
1 7 月, 2022
论文笔记——[NeurIPS 2021]Focal Self-attention for Local-Global Interactions in Vision Transformers
创新点： ①通过距离来算自注意力，距离近的patch比较精细，距离远的比较粗糙，从而减少大分辨率图像的计算量 总体结构 总体结构与传统的Vit相差不大，每个pa...
2749 0
1 7 月, 2022
论文笔记——[CVPR 2022 Oral]MetaFormer is Actually What You Need for Vision
创新点： ①Transformer中的自注意力机制没用，结构才有用 ②即便把Attention模块换成Pooling，也能得到提升 总体结构 本文把Attent...
2398 0
30 6 月, 2022
论文笔记——[CVPR2022]A ConvNet for the 2020s
创新点： ①通过finetune让ResNet-50达到Transformer的准确率 以下文章已经描述得很清晰，就不再赘述了： https://zhuanla...
2383 0
8 6 月, 2022
论文笔记——[CVPR2022]StyleSwin: Transformer-based GAN for High-resolution Image Generation
创新点： ①双重关注，同时利用局部窗口和移动窗口的上下文 ②充分利用了窗口中的绝对位置知识(正弦位置编码) ③用小波鉴别器(wavelet discrimina...
2552 0
20 4 月, 2022
论文笔记——[CVPR2022]Blind2Unblind: Self-Supervised Image Denoising with Visible Blind Spots
创新点： ①提出一种盲点到无盲点的训练方法（解决N2V中信息缺失的问题） ②可以避免去噪过程中的“恒等映射”问题（噪点像素被直接输出） 模型架构 一张噪声图像y...
2938 1
19 4 月, 2022
论文笔记——[CVPR2019]Noise2Void-Learning Denoising from Single Noisy Images
创新点： ①提出了一种自监督训练去噪模型的方法，可以在不需要干净目标的情况下训练 ②只有一张噪声图像就可以训练（解决N2N需要一对噪声图像来训练的问题） 噪声图...
2234 0
18 4 月, 2022
论文笔记——[ICML2018]Noise2Noise: Learning Image Restoration without Clean Data
创新点： ①不需要干净样本的图片降噪 ②可以仅仅通过无标签的噪声信号重建无噪的信号，而不需要干净的样本，并且性能上超越了运用干净数据进行训练的性能。 ③具有一定...
2272 0
2 4 月, 2022
论文笔记——Practical Blind Denoising via Swin-Conv-UNet and Data Synthesis
（CVPR2022的去噪论文） 创新点： ①本文提出Swin-Conv模块，将DRUNet和SwinIR的结合起来，并插入到UNet架构中，还设计了一个实用的噪...
2715 0
1 4 月, 2022
论文笔记——TVConv: Efficient Translation Variant Convolution for Layout-aware Visual Processing
（CVPR2022论文） 以前存在的问题：静态和动态卷积要么与布局无关，要么计算量大，不适用于特定于布局的应用程序，例如人脸识别和医学图像分割。 创新点： ①作...
3326 2