CVPR 2024 | 基于查找表压缩的高效图像恢复

最新推荐文章于 2025-12-16 15:06:00 发布
最新推荐文章于 2025-12-16 15:06:00 发布
阅读量204 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 计算机顶会顶刊论文解读 文章标签： 深度学习 计算机顶会 论文解读 CVPR
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。
本文链接：https://blog.youkuaiyun.com/qq_42722197/article/details/145401101

论文信息

题目：Look-Up Table Compression for Efficient Image Restoration
基于查找表压缩的高效图像恢复
作者：Yinglong Li, Jiacheng Li, Zhiwei Xiong
源码：https://github.com/leenas233/DFC

论文创新点

  1. 对角线优先压缩框架（DFC）：作者提出了一种新颖的LUT压缩框架，DFC，通过对角线重新索引和非对角线下采样策略，显著减少了基于LUT的模型的存储空间。
  2. 空间渐进融合LUT（SPF-LUT）：作者设计了一种新的基于多个LUT的结构，SPF-LUT，通过多尺度特征融合和逐步扩大感受野（RF），进一步提高了基于LUT的模型的性能。
  3. 对角线主导特性的揭示：作者通过统计LQ
了解本专栏 订阅专栏 解锁全文
【图像去噪】论文精读：CVPR 2025 | DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables
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】
03-23 1099
论文题目：DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables —— DnLUT：基于通道感知查找表的超高效彩色图像去噪CVPR 2025！虽然深度神经网络已经彻底改变了图像去噪能力，但由于大量的计算和内存要求，它们在边缘设备上的部署仍然具有挑战性。为此，我们提出了DnLUT，这是一种基于查找表的超高效框架，能够以最小的资源消耗实现高质量的彩色图像去噪。我们的关键创新在于两个互补的组件：一个并行有效。
CVPR2024｜底层视觉(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总（附论文链接/开源代码/解析）【持续更新】
热门推荐
Kobaayyy的博客
02-27 2万+
整理汇总下今年CVPR底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务
Taming Lookup Tables for Efficient Image Retouching
u013049912的博客
08-01 1003
高清屏幕在终端用户相机、智能手机和电视等边缘设备中的广泛使用，刺激了对图像增强的巨大需求。现有的增强模型通常针对高性能进行优化，但不能减少硬件推断时间和功耗，尤其是在计算和存储资源受限的边缘设备上。为此，我们提出了一种图像颜色增强查找表（ICELUT），它采用查找表（LUT）进行非常有效的边缘推断，而不需要任何卷积神经网络（CNN）。在训练过程中，我们利用逐点（1 × 1）卷积提取颜色信息，同时利用分割的完全连接层来合并全局信息。然后，将这两个组件无缝地转换为LUT，以实现与硬件无关的部署。
Look-Up Table based Energy Efficient Processing in Cache Support for Neural Network Acceleration 阅读
aqluheng的博客
11-16 379
Look-Up Table based Energy Efficient Processing in Cache Support for Neural Network Acceleration 这篇文章主要讲的是在CPU的SRAM上运用PIM进行加速,基于的是查表技术。 SRAM的组织方式是一个CPU对应一个SRAM切片，一个切片中有4个体，一个体中有10个子体，一个子体中有8个子阵列，一个子阵列又能分为4个子阵列分区，如下所示： 整体的设计如下所示，在SRAM中分出一些地方存查找表条目，同时存储CB(c
用于图像恢复的图像层次结构的高效和显式建模Efficient and Explicit Modelling of Image Hierarchies for Image Restoration
BestHammer的博客
03-21 2303
图像恢复旨在从低质量图像中恢复高质量图像，这些图像是由图像退化过程（如模糊、子采样、噪声干扰和JPEG压缩）引起的。图像恢复是一个不适定逆问题，因为在图像退化过程中，有关图像的重要内容信息丢失。因此，为了恢复高质量的图像，应该充分利用退化图像中表现出的丰富信息。自然图像包含全局、区域和局部范围的特征层次，深度神经网络可以使用这些特征进行图像恢复。首先，局部范围覆盖几个像素，典型特征是边缘和局部颜色。为了对这些局部特征进行建模，使用了具有小内核（例如3×3）的卷积神经网络。
【LUT技术专题】LUT空间的极致压缩-SPFLUT
PixelMind的博客
05-11 1559
SPFLUT提出了一种基于查找表（LUT）的高效图像恢复方法，通过压缩策略减少LUT的冗余，提升性能并降低存储需求。该方法的核心是对角线优先压缩策略（DFC），针对LUT中对角线区域的高频使用特点，保留对角线部分并减少非对角线区域的采样，从而显著减小LUT尺寸。SPFLUT还设计了一个多LUT网络结构，增强了通道特征融合，进一步提升了恢复效果。实验表明，该方法在效果和存储效率之间达到了最佳平衡，尤其在LUT尺寸大幅减小的情况下，性能依然保持优异。
论文笔记 | 【ECCV2022】MuLUT: Cooperating Multiple Look-Up Tables for Efficient Image Super-Resolution
CrispyFeSO4的大会堂演奏厅
04-02 1920
Lowlevel论文笔记
CVPR2024匹配
03-31
对于即将召开的 CVPR 2024，虽然具体的技术细节尚未完全公开，但可以基于以往的趋势预测可能涉及的内容。 #### 图像特征匹配技术 图像特征匹配一直是计算机视觉中的核心课题之一。近年来，深度学习方法显著提升了这...
精选资源
基于深度学习的数字图像处理pptx.pptx
08-03
技术正在飞快前进，例如2013年LeCun等人提出了基于CNN的深度学习模型OverFeat，2014年Girshick等人在CVPR2014上首先提出了基于卷积神经网络的深度学习模型R-CNN，2015年Girshick等人提出了FastR-CNN和FasterRCNN等...
CVPR 2024 图像处理方向总汇（图像去噪、图像增强、图像分割和图像恢复等）
qq_36812406的博客
01-17 5037
1、Image Progress(图像处理) 去鬼影 Generating Content for HDR Deghosting from Frequency View 去阴影 HomoFormer: Homogenized Transformer for Image Shadow Removal 去模糊 Unsupervised Blind Image Deblurring Based on Self-Enhancement Latency Correction for E
CVPR 2024 | 图像超分、图像恢复汇总！用AIGC扩散模型diffusion来解决图像low-level任务的思路...
月流霜的专栏
07-20 1717
由于预训练模型的现成特征（off-the-shelf features，OSF）并不能直接用于图像恢复，提出一个学习额外的轻量级模块——预训练引导细化模块（Pre-Train-Guided Refinement Module，PTG-RM），用于通过OSF改进目标恢复网络的恢复结果。此外，在输出图像的多样性和不同尺度下的一致性方面也不足。提出两种零样本文本引导超分辨率的方法，一种是修改文本到图像（T2I）扩散模型的生成过程，以促进与低分辨率输入的一致性，另一种是将语言引导融入零样本扩散式恢复方法中。
【CVPR2021】文章、代码和数据链接
qq_36717487的博客
04-16 2707
Awesome-CVPR2021-Low-Level-Vision 整理汇总下今年CVPR图像重建(Image Reconstruction)/底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务。大家如果觉得有帮助，欢迎star~~ 参考或转载请注明出处 CVPR2021官网：http://cvpr2021.thecvf.com CVPR完整论文列表：https://
图像修复-CVPR2024-Improving Image Restoration through Removing Degradations in Textual Representations
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
09-28 1972
Improving Image Restoration through Removing Degradations in Textual Representations提出的主要思想是通过在文本层面来消除退化信息，生成文本层面修复后的图像，然后用生成的图像来辅助图片层面的修复。这个我理解的论文的大致思想。
图像修复-CVPR2024-Bidirectional Multi-Scale Implicit Neural Representations for Image Deraining
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
07-11 878
针对图像去雨任务，本文提出 🌧️NeRDRain：一种端到端多尺度 Transformer 方法。该方法融合了 📍基于像素坐标的隐式神经表示与退化图像，有效增强对空间变化雨纹的建模能力与鲁棒性。同时引入 🔁多尺度双向反馈机制（粗到细 & 细到粗），加强不同尺度特征的信息交互，实现更强的协同表示与高质量去雨效果。
CVPR 2024 | CRNet：一种可保留细节的图像增强与统一恢复网络
05-28 1万+
为了进一步验证CRNet中各个组件的有效性，作者还进行了一系列的消融实验，结果表明CRNet中的关键组件，如频率分离、多分支块和卷积增强块，对于提升最终的图像恢复和增强效果至关重要。这篇文章的创新点主要体现在提出了复合细化网络（CRNet），它通过显式分离和加强图像的高频与低频信息，使用多分支块（Multi-Branch Block）进行有效融合，以及采用大核心卷积和具有倒置瓶颈结构的卷积化前馈网络（ConvFFN）来增加模型的感受野和特征融合能力。随着技术的发展，多曝光图像恢复与增强技术应运而生。
【LUT技术专题】SPFLUT代码解读
PixelMind的博客
05-13 1218
SPFLUT方法重点在于对角线优先压缩策略，该方法总体流程分为4个部分，训练、转换（里面包含了压缩）、微调、测试。
【文献阅读】DP-Site：一种基于双重深度学习的蛋白质-肽相互作用位点预测方法
最新发布
weixin_42038527的博客
12-16 465
研究团队开发了一款名为DP-Site的AI工具，仅需分析蛋白质的氨基酸序列（“设计图”），就能精准锁定小分子药物的潜在“靶点”。DP-Site的核心创新在于其 “双专家会诊”模式。一位是“图像专家”，擅长分析序列的局部结构特征；另一位是“语义专家”，擅长理解序列的全局上下文信息。两者协同工作，使其预测综合性能（F1分数）达到0.661，超越此前所有方法。
【CNN与卷积神经网络（吴恩达）】卷积神经网络学习笔记
qq_62361050的博客
12-12 1025
池化层类似卷积运算，在这里举一个最大池化的例子，即在一个4x4的图像中采用一个2x2的核，这个《核》只是对对应区域进行取最大值计算，以步长为2进行移动计算，在每次计算中取区域中的最大值，这样就可以提取出图像中的最显著的特征。以下是对于三维卷积中一些尺寸数据的描述，和二维卷积相似，只不过在n x n后面新加了一个尺寸数据nc，这个nc即表示图像的通道数，剩余对于输出图像的尺寸的计算公式和二维卷积下的一模一样。这种卷积下的卷积核和二维卷积是一样的，只不过由于有三个图像矩阵，所以应该对应有三层卷积核，即。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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