guopeiAI

本文提出MARCONet++框架，专为解决中文文本图像超分辨率难题。针对现有方法处理复杂中文结构时的不足，创新性地引入生成式结构先验：通过解耦汉字结构与风格，利用改进的StyleGAN生成高精度笔画模板指导超分重建。该框架包含字体风格预测、字符分类定位、结构先验生成和文本超分四个模块，在合成与真实数据上均展现优异性能，能准确恢复不规则布局的复杂汉字。实验表明其显著优于现有方法，同时具备向其他语言扩展的潜力。未来工作可优化竖排文本、长文本行等场景的处理效果。

本文提出了一种轻量级神经网络模型，可一键解决手机拍摄文档的多种质量问题，包括光照不均、阴影、摩尔纹和透字现象。该模型仅4MB大小，能在手机、CPU设备等低端硬件上实现50ms内的快速推理，通过一次处理即可消除多种图像瑕疵，显著提升OCR识别率和阅读体验。相比传统分段处理方法，这种All-in-One方案更高效实用，适用于文档管理App、扫描设备和行业数字化系统等多种场景。

一. 资源介绍论文地址：DC-ShadowNet: Single-Image Hard and Soft Shadow Removal UsingUnsupervised Domain-Classifier Guided Network代码地址：https://github.com/jinyeying/DC-ShadowNet-Hard-and-Soft-Shadow-Removal二. 动机各种流行的方法通过监督学习方式去除阴影，但是这些方法需要阴影和非阴影的匹配对，并且匹配对的获取成本较高。本

1. 论文与代码 论文下载地址：Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images 官方代码地址：https://github.com/jiupinjia/Deep-adversarial-decomposition2. 论文核心思想 作者提出了一个统一的框架，用来分离图片。作者提出crossroad L1损失函数，该损失函数能计...

1. 总体介绍 本文是2018年的一篇CVPR，虽然现在看起来非常简单，但是在当时还是非常突出的，将阴影检测和除去阴影联合起来训练。 论文：https://arxiv.org/abs/1712.02478 代码：https://github.com/IsHYuhi/ST-CGAN_Stacked_Conditional_Generative_Adversarial_Networks(非官方实现)2. 主要思想 作者提出的框架包...

一. 论文介绍 本文主要介绍去除阴影的论文《Auto-Exposure Fusion for Single-Image Shadow Removal》：即自动曝光融合去除阴影的方法。该论文来自2021年的CVPR。 论文地址：https://arxiv.org/abs/2103.01255 开源代码：https://github.com/tsingqguo/exposure-fusion-shadow-removal二. 算法框架 ...

一. 相关资源论文地址：https://arxiv.org/abs/2007.01758代码地址：https://github.com/syguan96/Faster_StyleGAN_Embedding(还未开源)二. 背景与动机背景：stylegan 能学到解耦合的一些信息，这对我们定向做编辑很有好处，而基于 stylegan 做编辑的前提就是要把真实图片逆推到 stylegan 的空间中，即获得隐向量。动机：由于之前获取可解构的隐向量存在各种缺点，作者的目标用该方法得到一个又好又快的逆推。