图像恢复

少说多想勤做

【前沿热点顶会】CVPR 2025 录用的与图像|视频恢复、抠图、超分辨率、3D生成有关的论文仅依赖于输入帧的无辅助的视频抠图方法通常难以处理复杂或模糊的背景。为了解决这个问题，我们提出了 MatAnyone，这是一个为目标分配的视频抠图量身定制的强大框架。具体来说，基于基于内存的范式，我们通过区域自适应内存融合引入了一个一致的内存传播模块，该模块自适应地集成来自前一帧的内存。这确保了核心区域的语义稳定性，同时保留了沿对象边界的精细细节。为了实现稳健的训练，我们提供了一个更大、高质量和多样化的视频抠图数据集。此外，我们还采用了一种新的训练策略，可以有效地利用大规模分割数据，提高抠图稳定性。借助这种

DA-CLIP：Controlling Vision-Language Models for Universal Image Restorationconference：2024 ICLR paper：https://arxiv.org/pdf/2310.01018 code：https://github.com/Algolzw/daclip-uir

【读点论文】All-In-One Image Restoration for Unknown Corruption用对比学习统一方法实现多种噪声图片的有效处理单幅图像复原旨在从给定的劣化对应关系（例如嘈杂、下雨或朦胧的图像）中生成视觉上令人愉悦的高质量图像。在过去的几年中，图像复原已广泛应用于从自动驾驶到医学成像和监控等许多现实世界应用中。尽管在去噪、去模糊、去雨和去雾等特定领域已经取得了有希望的成果，但图像恢复在实践中遇到了以下障碍。一方面，有必要了解正确的损坏（即退化）以选择有竞争力的模型，因为几乎所有现有方法都只能处理特定的退化。一旦退化类型甚至损坏率发生变化，由于实际情况与模型构建或训练所采用的先验不一致，模型将获得不理想的性能。

猪猪的超超

计算机视觉基础（12）——图像恢复我们将学习图像恢复相关知识。主要有图像恢复的定义、评价标准和实现图像恢复的方法。图像恢复任务包括图像去噪、去模糊、图像超分辨率、图像修复等；评价标准有峰值信噪比和结构相似性；图像超分辨的方法有传统方法和基于深度学习的方法：传统方法包括了基于插值的方法和基于字典学习，而深度学习方法有很多，包括SRCNN，VDSR等。