BOB_BOB_BOB_-优快云博客

原创【ee类保研面试】其他类---计算机网络

保研面试复习：计算机网络核心知识点本文总结了保研面试中计算机网络的核心考点，包括五层协议模型、TCP/UDP区别、三次握手等关键内容。五层模型涵盖应用层（HTTP/FTP）、传输层（TCP/UDP）、网络层（IP）、数据链路层（以太网）和物理层的功能与协议。重点对比了TCP（可靠、面向连接）与UDP（不可靠、无连接）的特性差异，并详细解析了TCP三次握手建立连接的过程。此外还整理了复旦、北大、北航等高校的面试真题，涉及DNS解析、网络层设计原理等实际问题，为保研面试提供全面复习参考。

2025-08-08 19:44:29 775

原创【ee类保研面试】数学类---概率论

概率论面试要点摘要本文整理了保研面试中概率论核心考点与经典真题，涵盖：核心概念：无偏性、有效性、一致性；全概率与贝叶斯公式；大数定律与中心极限定理；常见分布（正态/泊松/指数）的特性与应用。关键区别：联合概率与边缘概率；独立性与相关性；协方差与相关系数；概率论（模型→数据）与数理统计（数据→模型）的差异。高频真题：贝叶斯公式的"果溯因"逻辑及实际应用。大数定律（样本趋近期望）与中心极限定理（分布趋近正态）的对比。最大似然估计的参数推导思想。独立必不相关，但反之不成立（如Y

2025-08-07 16:15:00 1128

原创【ee类保研面试】数学类---高等数学

本文整理了保研面试中高等数学的核心知识点与真题解析，涵盖极限、导数、积分、中值定理等基础概念及其内在联系。重点内容包括：1）函数性质（连续、可导、可积的关系）；2）三大中值定理及其应用；3）多元微积分（梯度、格林公式等）；4）真题详解（如可微与可导区别、柯西中值定理应用等）。特别强调数学概念的实际应用，如最小二乘法拟合、泰勒展开计算函数值等面试常见问题，为保研面试提供系统复习框架。（148字）

2025-07-31 14:08:00 778

原创【ee类保研面试】数学类---线性代数

本文总结了保研面试中线性代数的核心知识点及常见面试题，涵盖行列式、矩阵秩、特征值、正交矩阵等基础概念，以及线性方程组、向量空间等应用场景，并附有北航、复旦等高校真题解析。主要内容包括：1）余子式与行列式的计算及几何意义；2）矩阵秩的定义及其与线性方程组解的关系；3）特征值与特征向量的物理意义及计算方法；4）正交矩阵的性质与应用；5）线性相关/无关的判定条件；6）常见面试真题及解答技巧。文章特别强调行列式作为体积缩放因子的几何解释、矩阵秩决定解空间维度的关键作用，以及特征值在PCA等应用中的重要性，为保研面试

2025-07-30 16:51:08 1676

原创【ee类保研面试】通信类---信息论

信息论面试复习摘要本文围绕信息论核心概念展开，重点覆盖保研面试高频考点，分为三大模块：信息熵与互信息信息熵$H(X)$度量随机变量不确定性，物理意义为无损压缩的极限码长（香农第一定理）。互信息$I(X;Y)$反映变量间的信息共享，可通过熵差（$H(X)-H(X|Y)$）或联合熵计算，与KL散度关联。数据压缩理论香农第一定理指出：熵率$H(\mathcal{X})$是无损压缩的理论下限，霍夫曼编码与LZ算法为其实现范例。强调变长编码优化原理及克拉夫特不等式的约束作用。信道容量与编码定理信道容

2025-07-27 14:08:22 1255

原创【ICCV 2025】低光增强 Learning to See in the Extremely Dark（基于扩散模型）--part1论文精读

本文提出了一种针对极低光照（0.0001-0.1 lux）条件下图像增强的新方法。主要贡献包括：1）构建了SIED数据集，通过"配对到配对"合成管线生成精确校准的极暗RAW图像及其sRGB参考；2）设计了基于扩散模型的多阶段增强框架，包含自适应光照校正模块（AICM）和色彩一致性损失，有效解决了亮度提升、噪声抑制和色彩还原等关键问题。该方法在极低光照条件下显著优于现有技术，为暗光视觉任务提供了重要基准。

2025-07-25 11:24:10 1205

原创【CVPR 2025】低光增强RT-X Net（红外辅助结构引导）--part2代码讲解

本文提出了一种基于Transformer的RGB-热成像跨模态注意力网络（RT-X Net），用于低光照图像增强。该方法通过引入跨模态注意力机制，有效融合RGB和热成像数据，提升低光照条件下的图像质量。代码实现包含权重初始化、基础神经网络模块（如预处理层、GELU激活函数）以及光照估计器等组件，采用预归一化和截断正态分布初始化策略确保训练稳定性。该网络结构参考Retinexformer设计，在特征提取和跨模态融合方面进行了优化，相关代码已开源。

2025-07-22 14:36:35 1063

原创【CVPR 2025】低光增强RT-X Net（红外辅助结构引导）--part1论文精读

本文提出RT-X Net，一种基于跨注意力机制的双分支Transformer网络，用于低光照图像增强。该方法融合RGB与热成像信息，包含四个关键步骤：1) 基于Retinex理论的光照引导分解，通过光照估计器生成光照图和特征；2) 自注意力特征提取，利用光照特征重加权注意力值；3) RGB-热成像跨模态融合，采用非对称跨注意力机制实现信息互补；4) 增强图像重建，通过MLP头和MAE损失函数生成最终结果。该方法能有效利用热成像的结构信息弥补RGB图像在低光条件下的细节丢失，显著提升图像质量。

2025-07-22 14:20:05 1235

原创【ECCV 2022】去摩尔纹Towards Efficient and Scale-Robust Ultra-High-Definition Image Demoireing --part2代码详解

本文提出了一种高效的超高清图像去摩尔纹方法UHDM，通过多级编码器-解码器结构结合语义对齐尺度感知模块（SAM）实现。编码器采用pixel unshuffle预处理，逐步提取多尺度特征；解码器利用深度监督生成不同分辨率的去摩尔纹结果。模型采用RDB残差密集块增强特征复用，并初始化卷积权重优化训练稳定性。该方法在低光增强任务中表现优异（NTIRE 2025排名第二），相关代码和论文已开源。技术博客详细解析了将U-net-SAM结构与Retinexformer融合的低光增强实现方案。

2025-05-29 23:28:32 942

原创【ECCV 2022】去摩尔纹Towards Efficient and Scale-Robust Ultra-High-Definition Image Demoireing --part1论文精读

本文提出了一种高效且尺度鲁棒的超高清图像去摩尔纹方法ESDNet，构建了首个真实世界4K去摩尔纹数据集UHDM。针对现有方法在4K图像上计算成本高、尺度适应性差的问题，ESDNet创新性地设计了语义对齐尺度感知模块(SAM)，通过金字塔上下文提取和跨尺度动态融合机制有效处理摩尔纹的多尺度特性。实验表明，ESDNet在性能和效率上均显著优于现有方法，为超高清图像去摩尔纹提供了实用解决方案。

2025-05-29 11:30:44 1135

原创【CVPR 2025】低光增强SG-LLIE（ranks second in NTIRE 2025）--part2代码详解

本文介绍了一种基于结构先验引导Transformer的低光照图像增强方法（SGTB），该方法在NTIRE 2025挑战赛中排名第二。该方法创新性地复用Retinexformer的IGAB模块作为核心SGTB，但摒弃了传统的光照引导机制，转而设计了一套全新的结构先验提取机制，通过交叉注意力(SGCA)指导增强过程，有效保持图像细节。网络架构采用ESDNet的U-Net骨架，结合DRDB和SAM模块，并通过深度卷积等操作估计光照分量。该方法在保持高效性的同时，显著提升了低光照场景下的图像增强效果。

2025-05-28 14:14:08 1123

原创【CVPR 2025】低光增强SG-LLIE（ranks second in NTIRE 2025）--part1论文精读

本文提出了一种结构引导的低光图像增强方法SG-LLIE，采用多尺度CNN-Transformer混合框架。该方法首先通过颜色不变卷积提取鲁棒的结构先验，随后在U-Net架构中嵌入混合结构引导特征提取器（HSGFE），包含结构引导Transformer块（SGTB）和尺度感知模块（SAM）。关键创新在于将结构先验注入交叉注意力机制，并实现多尺度特征融合。该方法在NTIRE 2025低光增强挑战赛中排名第二，有效解决了复杂光照条件下的细节保持问题。

2025-05-28 11:53:01 1332

原创【CVPR 2025】一体化图像恢复DFPIR ---- part2代码详解

本文提出了一种基于PromptIR框架的退化感知特征扰动方法(DFPIR)，用于全合一盲图像恢复。该模型在model.py中定义了核心架构，包含以下关键模块：1) 两种层归一化实现(BiasFree_LayerNorm和WithBias_LayerNorm)，支持2D/1D特征张量转换；2) 门控深度卷积前馈网络(GDFN)，通过1x1卷积和3x3深度可分离卷积实现特征扩展与门控机制。该工作通过结合CLIP特征和自适应退化感知模块，实现了对多种图像退化类型的统一处理。代码已开源在GitHub，论文发表在CV

2025-05-27 14:53:17 612

原创【CVPR 2025】一体化图像恢复DFPIR ---- part1论文精读

本文提出了一种退化感知特征扰动方法(DFPIR)来解决一体化图像恢复中的任务干扰问题。该方法通过两个关键模块实现：1)退化引导通道扰动模块(DGCPM)在扩展的高维特征空间中进行自适应通道重排；2)通道自适应注意力扰动模块(CAAPM)利用top-K掩码对注意力图进行选择性扰动。DFPIR创新性地结合了退化类型提示和双重特征扰动策略，在保留图像本质特征的同时有效缓解了不同恢复任务间的干扰。实验表明，该方法能学习到更具区分性的退化特征表示，显著提升一体化图像恢复性能。代码已开源。

2025-05-27 14:01:30 1981

原创【Siggraph Asia 2023】低光增强Diffusion-Low-Light-main（引入diffusion与DWT） -- part1论文精读

本文提出了一种基于小波变换的扩散模型（DiffLL）用于低光图像增强。该框架创新性地将扩散模型与小波变换结合，在低频小波系数上执行计算密集的扩散过程，显著降低了计算负担。DiffLL包含三个关键模块：1）离散小波变换分解图像并聚焦低频信息；2）基于小波的条件扩散模型（WCDM）采用新的训练策略确保内容一致性；3）高频恢复模块（HFRM）通过交叉注意力和渐进空洞卷积恢复细节。实验表明该方法在保持图像质量的同时提高了效率，解决了传统扩散模型计算量大和输出不一致的问题。

2025-05-25 17:40:13 1326

原创【IEEE 2025】低光增强KANT（使用KAN代替MLP）----论文详解与代码解析

本文提出KAN-T模型，一种基于Kolmogorov-Arnold表示定理改进的Transformer网络，用于低光图像增强(LLIE)。模型采用3级编码器-解码器结构，核心创新是KAN-MSA注意力机制：将多通道特征分解为单变量处理，通过可学习非线性函数捕获细粒度特征，再合并生成QKV矩阵。实验表明，该方法在保持结构相似性和感知质量方面优于传统方法。代码实现采用PyTorch框架，包含形状追踪模块验证数据流正确性。复合损失函数结合MAE、MS-SSIM和感知损失，平衡像素精度与高阶特征保持。

2025-05-24 17:28:38 2437

原创【SPL 2025】低光增强LYT-NET（ YUV Transformer-based Network）--Step2代码解析

本文分析了LYT-Net模型的损失函数和架构设计。损失函数部分整合了VGG感知损失、颜色损失、PSNR损失等6种损失，通过加权组合优化模型，但代码实现与论文描述的权重分配存在差异。模型架构采用YUV色彩空间处理，核心模块包括MSEFBlock（多阶段压缩激励融合）和Denoiser（通道级去噪器）。亮度通道使用多头自注意力机制增强，色度通道通过去噪器处理，最终融合输出。代码实现与论文描述基本一致，但在MSEF模块细节上存在微小差异。该设计实现了轻量级Transformer网络在低光图像增强任务中的应用。

2025-05-23 23:39:08 602

原创【SPL 2025】低光增强LYT-NET（ YUV Transformer-based Network）--Step1论文精读

本文提出了一种轻量级Transformer模型LYT-Net，用于低光照图像增强(LLIE)。该模型采用双路径YUV色彩空间处理策略，分别优化亮度(Y)和色度(UV)通道。核心创新包括通道级去噪器(CWD)模块和多阶段压缩与激励融合(MSEF)模块，结合多头自注意力机制(MHSA)。LYT-Net在LOL系列数据集上实现了最优性能(PSNR 27.23dB)，仅需3.49G FLOPS和0.045M参数量。消融研究表明，CWD模块对色度通道去噪效果显著，而MSEF模块能有效提升性能。该模型在保持计算效率的同

2025-05-23 23:11:49 1238

原创【AAAI 2023】低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):--part2 代码解析

本文介绍了AAAI2023会议上的一篇论文，提出了一种基于Transformer的超高清低光图像增强方法。该方法通过引入轴向多头自注意力机制（A-MSA），降低了高分辨率图像中自注意力的计算复杂度。代码实现中，首先导入了必要的PyTorch库和einops用于张量操作。随后定义了层归一化模块，包括无偏置和有偏置的层归一化实现，以及一个包装类根据参数选择不同的归一化方式。接着，实现了轴向多头自注意力机制，通过分别在行和列上计算注意力，显著减少了计算量。该方法通过结合局部和全局信息，有效提升了低光图像的质量，同

2025-05-22 22:43:42 1201

原创【AAAI 2023】低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):--part1 论文精读

【AAAI2023】本文参考论文Ultra-High-Definition Low-Light Image Enhancement: A Benchmark andcolab调试地址：稍后更新…

2025-05-22 20:44:04 816

原创【CVPR2023】低光增强SMG-LLIE（基于结构先验的图像增强）--part1 论文精读

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

2025-05-16 16:43:22 1048

原创【ECCV 2024】低光增强GLARE论文分析与代码详解--part1 论文解读

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

2025-05-15 12:36:41 1255

原创【CVPR 2025】低光增强DarkIR（升级版LED-net）--part2 代码解读

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

2025-05-14 22:08:38 1576 1

原创【CVPR 2025】低光增强DarkIR（升级版LED-net）--part1 论文精读

【ECCV 2022】本文参考论文DarkIR: Robust Low-Light Image Restoration论文地址：[arxiv](https://arxiv.org/abs/2412.13443)源码地址：[github](https://github.com/cidautai/darkir) colab调试地址：稍后更新......由于本文属于是LEDnet的进化版本，关于LED-net详见前文：[【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

2025-05-14 16:48:37 3442

BOB_BOB_BOB_的博客

原创【ee类保研面试】其他类---计算机网络

原创【ee类保研面试】数学类---概率论

原创【ee类保研面试】数学类---高等数学

原创【ee类保研面试】数学类---线性代数

原创【ee类保研面试】通信类---信息论

原创【ICCV 2025】低光增强 Learning to See in the Extremely Dark（基于扩散模型）--part1论文精读

原创【CVPR 2025】低光增强RT-X Net（红外辅助结构引导）--part2代码讲解

原创【CVPR 2025】低光增强RT-X Net（红外辅助结构引导）--part1论文精读

原创【ECCV 2022】去摩尔纹Towards Efficient and Scale-Robust Ultra-High-Definition Image Demoireing --part2代码详解

原创【ECCV 2022】去摩尔纹Towards Efficient and Scale-Robust Ultra-High-Definition Image Demoireing --part1论文精读

原创【CVPR 2025】低光增强SG-LLIE（ranks second in NTIRE 2025）--part2代码详解

原创【CVPR 2025】低光增强SG-LLIE（ranks second in NTIRE 2025）--part1论文精读

原创【CVPR 2025】一体化图像恢复DFPIR ---- part2代码详解

原创【CVPR 2025】一体化图像恢复DFPIR ---- part1论文精读

原创【Siggraph Asia 2023】低光增强Diffusion-Low-Light-main（引入diffusion与DWT） -- part1论文精读

原创【IEEE 2025】低光增强KANT（使用KAN代替MLP）----论文详解与代码解析

原创【SPL 2025】低光增强LYT-NET（ YUV Transformer-based Network）--Step2代码解析

原创【SPL 2025】低光增强LYT-NET（ YUV Transformer-based Network）--Step1论文精读

原创【AAAI 2023】低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):--part2 代码解析

原创【AAAI 2023】低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):--part1 论文精读

原创【CVPR2023】低光增强SMG-LLIE（基于结构先验的图像增强）--part1 论文精读

原创【ECCV 2024】低光增强GLARE论文分析与代码详解--part1 论文解读

原创【CVPR 2025】低光增强DarkIR（升级版LED-net）--part2 代码解读

原创【CVPR 2025】低光增强DarkIR（升级版LED-net）--part1 论文精读

原创【ECCV 2022】低光增强LEDNet论文精读与源码复现---part2源码精读

原创【ECCV 2022】低光增强LEDNet论文精读与源码复现---part1论文精读

原创【ACM MM2024】自定义风格低光增强Brighten-and-Colorize论文精读与源码复现---part1/part2

原创【CVPR 2025】低光增强HVI论文精读与源码复现---part2 源码复现（核心arch）

原创【CVPR 2025】低光增强HVI论文精读与源码复现---part1 论文网络精读

原创【ECCV 2024】低光增强Retinexformer论文精读与源码解析---part2 源码解析（结合网络结构）

原创【ECCV 2024】低光增强论文Retinexformer论文解读与源码解析---part1 网络结构解析

【ECCV 2022】去摩尔纹ESDNet核心arch讲解代码

【CVPR 2025】低光增强SG-LLIE（ranks second in NTIRE 2025）-part2代码详解

【CVPR 2025】一体化图像恢复DFPIR -代码详解

【AAAI 2023】低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):-part2 代码解析

空空如也

【ECCV 2022】去摩尔纹ESDNet核心arch讲解代码

【CVPR 2025】低光增强SG-LLIE（ranks second in NTIRE 2025）-part2代码详解

【CVPR 2025】一体化图像恢复DFPIR -代码详解

【AAAI 2023】 低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):-part2 代码解析

空空如也

【AAAI 2023】低光增强Ultra-High-Definition Low-Light Image Enhancement (LLFormer):-part2 代码解析