qq_69854365的博客

Thin cloud removal from optical remote sensing images using the noise-adjusted principal components transform论文翻译

Attention Is All You Need原文翻译

Cloud-EGAN: Rethinking CycleGAN From aFeature Enhancement Perspective for Cloud Removal 论文翻译

ExtremeC3Net: Extreme Lightweight Portrait Segmentation Networksusing Advanced C3-modules论文翻译

云污染显著影响光学遥感图像（RSIs），降低其在地球观测中的实用性。传统的去云技术通常依赖深度学习，旨在整体图像重建，这可能无意中改变云-free 区域的内在特性，从而导致图像失真。为了解决这个问题，我们提出了一种多阶段频率注意力网络（MFCRNet），这是一个用于光学 RSI 去云的渐进性范式。MFCRNet 逐层部署频率去云模块（FCRMs），以精细处理云边缘，同时保留频率域中非云区域的原始特征。具体而言，FCRM 从频率注意块（FAB）开始，该块将特征转换到频率域，从而增强云覆盖和无云区域之间的差异。

Cloud Removal in Remote Sensing Using Sequential-BasedDiffusion Models论文翻译

Unsupervised remote sensing image thin cloud removal method based on contrastive learning论文翻译

IEEE 2024论文翻译 基于低秩正则化自监督网络的多时相遥感图像厚云去除摘要—厚云的存在覆盖了光学遥感图像（RSIs）的全面地球观测。去除云层是提高RSIs后续应用的有效且经济的预处理步骤。基于深度学习（DL）的方法受到广泛关注，并取得了最先进的成果。然而，大多数这些方法存在以下问题：1）忽视了RSIs的物理特性；2）需要带云和无云的配对图像或额外辅助图像；3）需要云掩膜。这些问题可能限制了现有网络的灵活性。

云层污染是一个不可避免的问题光学遥感图像。与厚云不同，薄云不会完全遮挡背景，这使得恢复背景信息成为可能。本文提出了一种基于生成对抗网络(GANs)和云变形物理模型(CR-GAN-PM)的半监督去薄云方法。本文还定义了一个考虑云吸收的云畸变物理模型。值得注意的是，许多基于深度学习的最先进方法需要来自同一区域的成对云和无云图像，而收集这些图像通常是不可用的或耗时的。CR-GAN-PM有两个主要步骤:首先，基于GANs和图像分解原理，从输入的有云图像中分解出无云背景和云失真层；

论文名称基于表示系数全变分的多时相遥感影像厚云快速去除论文翻译

Cloud removal using SAR and optical images via attention mechanism-based GAN论文翻译

AlphaPose: Whole-Body Regional Multi-PersonPose Estimation and Tracking in Real-Time论文翻译

‘结合等照线约束和颜色-结构控制的遥感数据缺失信息重建’论文全文翻译

cvpr2024 DETR在实时目标检测上击败YOLO论文翻译

IEEE 2024 DiffCR:一种用于光学卫星云图去云的快速条件扩散框架论文翻译

TGRS2024论文 IDF-CR：迭代扩散法去除遥感图像中的分治云论文的全文翻译

图像恢复网络MemoryNet-Memory augment is All You Need for image restoration 论文翻译

MSDA-CR网络，Cloud Removal in Optical Remote Sensing ImageryUsing Multiscale Distortion-Aware Networks 论文翻译

超分辨率遥感图像去云的扩散增强方法论文翻译

Always Clear Days: Degradation Type andSeverity Aware All-In-One Adverse WeatherRemoval论文翻译

DETR的训练范式在很大程度上取决于在ImageNet数据集上预训练其骨干。然而，由图像分类任务和一对一匹配策略提供的有限监督信号导致DETR的预训练不充分的颈部。此外，在训练的早期阶段匹配的不稳定性会导致DETR的优化目标不一致。为了解决这些问题，我们设计了一种创新的培训方法，称为逐步培训。具体来说，在训练的第一阶段，我们采用一个经典的检测器，用一对多的匹配策略进行预训练，以初始化端到端检测器的主干和颈部。在训练的第二阶段，我们冻结了端到端检测器的主干和颈部，需要从头开始训练解码器。

cvpr2024 YOLOv9论文翻译

本文是对IEEE--DSConv论文进行原文翻译

本文是华为2023年9月在NeurIPS顶会上提出的Gold-YOLO进行原文翻译

池化方法将空间输入降采样到较低分辨率。它们的目标是减小后续网络操作的计算开销并增大它们的感受野。池化操作在图像和视频处理方法中至关重要，包括基于卷积神经网络（CNNs）的方法。池化的一个重要方面是它在模型内部引入了信息损失。因此，保留输入的结构方面的细节，如对比度和纹理，可能变得具有挑战性。由于池化是几乎所有流行的CNN架构的关键组件，因此必须确保这种信息损失不会影响性能。已经提出了一系列不同属性的池化方法（参见第II节）。

本文是对CVPR论文，Deformable ConvNets v2进行全文内容的文献翻译

本文主要对Dynamic Snake Convolution based on Topological Geometric Constraints forTubular Structure Segmentation这篇论文进行翻译。