论文阅读笔记之——《Image Restoration via Residual Non-local Attention Networks》

最新推荐文章于 2025-06-16 00:00:12 发布
原创 最新推荐文章于 2025-06-16 00:00:12 发布 · 3.5k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

探讨一篇关于改进SAN骨架的论文，通过引入non-local结构和设计Trunk及mask分支，增强特征表达能力，深入讨论两个分支交互的意义。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

先给出paper的链接：https://arxiv.org/pdf/1903.10082v1.pdf

代码：https://github.com/yulunzhang/RNAN

这篇论文感觉跟SAN的骨架有点类似，相对于SAN用了一个协方差pooling，而这篇论文仅仅加了non-local的结构。但是所设计的Trunk 分支和mask分支或许可以进一步讨论两个分支的交互的意义

 

 

 

 

 

 

 

 

 

Residual non-local attention networks for image restoration
mytzs123的博客
07-25 243
为了解决这个问题，我们设计了局部和非局部注意块来提取特征，捕捉像素之间的长期依赖关系，并更加关注具有挑战性的部分。简化RB（用蓝色虚线标记）仅包含两个卷积层和一个ReLU（Nair和Hinton，2010），省略了不必要的组件，例如maxpooling和批量归一化（Ioffe和Szegedy，2015）层。我们的剩余非局部注意网络是通过堆叠多个剩余局部和非局部注意块构建的，如图2所示。利用来自深度网络的非局部低层和高层注意力，我们可以追求更好的网络表示能力，最终获得高质量的图像恢复结果。
【图像超分】论文精读：Residual Non-local Attention Networks for Image Restoration（RNAN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-25 594
在本文中，我们提出了一种残差非局部注意网络，用于高质量的图像恢复。在不考虑损坏图像中信息分布不均匀的情况下，以往的方法受到局部卷积运算的限制，对空间和通道特征进行同等处理。为了解决这个问题，我们设计了局部和非局部注意块来提取捕获像素之间的远程依赖关系的特征，并更加关注具有挑战性的部分。具体来说，我们在每个（非）局部注意块中设计主干分支和（非）局部掩码分支。主干分支用于提取分层特征。本地和非本地掩码分支旨在自适应地重新缩放这些具有混合注意力的分层特征。局部掩码分支专注于更多具有卷积操作的局部结构，而非局部注意
Residual Non-local Attention Networks for Image Restoration
69小石头的博客
08-13 2243
一.论文 <Residual Non-local Attention Networks for Image Restoration> 在本文中，我们提出了一种残留的非局部注意网络，用于高质量的图像恢复。 在不考虑损坏图像中信息不均匀分布的情况下，先前的方法受到局部卷积运算以及对空间和通道方向特征的同等对待的限制。 为了解决这个问题，我们设计了局部和非局部注意块，以提取可捕获像素之间长期依赖关系的特征，并更加注意具有挑战性的部分。 具体来说，我们在每个（非本地）注意力模块中设计主干分支和（非本
MyDLNote - Enhancement : [NLA系列] Image Restoration via Residual Non-local Attention Networks
u014546828的博客
04-16 976
[2019ICLR] Image Restoration via Residual Non-local Attention Networks [paper]Image Restoration via Residual Non-local Attention Networks [PyTorch]https://github.com/yulunzhang/RNAN [Non-Local...
CVPR 2025 | UniRestore：统一图像复原新框架
最新发布
阿木寺的博客
06-16 363
以及任务特征适配器(Task Feature Adapter, TFA)，通过轻量化的任务提示(Task Prompt)调节扩散模型的解码特征，能够根据不同任务需求动态融合恢复与生成的表征。此外，UniRestore 在无需修改主模型结构与原始数据的前提下，仅通过新增提示向量(Prompt)即可快速扩展至其他下游任务，具有良好的可扩展性。在新增任务时，仅需引入对应的新任务提示词(Task Prompt)，并使用新任务的数据与目标进行训练，无需重新访问原始任务的数据或损失函数，便可高效扩展至新的任务需求。
Non-Local Recurrent Network for Image Restoration 论文笔记
qq_36406693的博客
08-31 2808
论文地址：http://papers.nips.cc/paper/7439-non-local-recurrent-network-for-image-restoration.pdf 摘要 目前许多经典的方法已经证明了自然图片的自我相似度(non-local self-similarity)可以作为图像重建任务中一个有效的先验知识。然而让神经网络合理的利用这一图片固有属性仍旧是一个挑战性任务。这篇...
图像修复论文Residual Non-local Attention Networks for Image Restoration阅读笔记
import_torch_as_tf
06-10 3764
论文来源：ICLR2019 论文链接：pdf (openreview.net)
【图像去噪】论文精读：Residual Non-local Attention Networks for Image Restoration（RNAN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-30 1184
论文题目：Residual Non-local Attention Networks for Image Restoration —— 用于恢复的剩余非局部注意网络ICLR 2019！残差非局部注意力网络RNAN！在本文中，我们提出了一种残差非局部注意网络，用于高质量的图像恢复。在不考虑损坏图像中信息分布不均匀的情况下，以往的方法受到局部卷积运算的限制，对空间和通道特征进行同等处理。为了解决这个问题，我们设计了局部和非局部注意块来提取捕获像素之间的远程依赖关系的特征，并更加关注具有挑战性的部分。
深度学习non-local:Non-local Neural Network,PANet Pyramid Attention Network for Image Restoration
tony365的博客
02-22 834
之前介绍kernel prediction net的时候，会为每一个像素生成一个 filter来处理图像， 这样每个像素都有自定义的filter, 但是这个filter只是处理邻域像素，对于距离更远的区域没办法融合进来处理， 除非 filter很大，比如作用于整张图像。non-local概念在图像降噪领域有比较广泛的应用，传统算法有。深度学习模型也可以借鉴类似的概念，引入和设计相关non-local模块。
Image Restoration via Multi-scale Non-local total variation regularization
02-06
本文介绍了一种利用多尺度非局部总变分（Multi-Scale Non-Local Total Variation, MSNLT-V）正则化方法进行图像恢复的技术。传统的方法中，总变分(TV)正则化广泛应用于图像恢复问题中，以利用图像的局部平滑性。然而...
Image Restoration
05-03
Image Restoration
image restoration
03-22
用总变分实现图像钦差大臣去噪复原等一系列功能
Image_restoration.m
08-10
利用matlab实现图像复原，对一个图像的人为添加噪声，利用逆变换复原图像。
分享几种滤波方法实现的图像恢复-Image_Restoration.rar
08-13
分享几种滤波方法实现的图像恢复-Image_Restoration.rar 生成降质图像，利用逆滤波、 Wiener滤波和 Lucy-Richardson滤波实现图像恢复。 matlab GUI
读论文：Non-Local Recurrent Network for Image Restoration
U R MINE
01-08 640
简单讲下文章的思路： 文章将 rnn 的思想和 non-local 的思想相结合，将 non-local 嵌入到 rnn 内部计算中，同时，（我估摸着参考了类似 LSTM 的思想）设计了一个长期的残差连接，总体设计如下图： ...
图像修复(Image Restoration)
ReaFly的博客
03-06 4012
1. 《Multi-Stage Progressive Image Restoration》 --CVPR 2021 创新点： 多阶段的图像修复网络。上采用-下采样的encoder-decoder结构可以获得足够的感受野，使得网络获得更优的图片语义，但多个down-sampling会损害图片的空间特征。而保持图片单一尺度卷积运算可以保持图片的空间细节，但又受限于没有足够的感受野，语义信息不足，可见，二者模型各有利弊。所以，本篇论文作者整合两种结构，分别用于捕获语义特征和空间细节，构建多阶段网络。 SAM
Image Restoration-Image Diffusion
爱大象呦
01-01 563
Additive & Multiplicative Noise Models Denoising Smoothing Edge preserving Texture Corners
SwinIR: Image Restoration Using Swin Transformer
mytzs123的博客
04-25 774
图像恢复是一个长期存在的低水平视觉问题，旨在从低质量图像（例如，缩小尺寸、噪声和压缩图像）中恢复高质量图像。虽然最先进的图像恢复方法是基于卷积神经网络的，但很少有人尝试使用Transformers，因为它在高级视觉任务中表现出令人印象深刻的性能。在本文中，我们提出了一种基于Swin Transformer的用于图像恢复的强基线模型SwinIR。SwinIR由三部分组成：浅层特征提取、深层特征提取和高质量图像重建。特别地，深度特征提取模块由几个剩余的Swin-Transformer块（RSTB）组成，每个块具
信号处理（三）Image restoration 图像修复
qq_37030400的博客
08-08 773
Demand Consider an image, whose lines have been shifted by a few pixels. The image has been presented below : Download to your working directory the file containing the original image: fichier2.bmp. You can read it with “imread” MATLAB function and displ
Image restoration via frequency select
03-20
图像修复（Image Restoration）是一种恢复被退化或损坏图像的技术。它通常用于去除噪声、模糊或其他失真效果，从而提高图像质量。频率选择方法主要依赖于频域分析来实现这一目标。 #### 图像修复的背景 图像修复...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值