분류 전체보기51 DMCNN: DUAL-DOMAIN MULTI-SCALE CONVOLUTIONAL NEURAL NETWORK FOR COMPRESSION ARTIFACTS REMOVAL (ICCV 2019) DMCNN: DUAL-DOMAIN MULTI-SCALE CONVOLUTIONAL NEURAL NETWORK FOR COMPRESSION ARTIFACTS REMOVAL (ICCV 2019) Authors: Xiaoshuai Zhang, Wenhan Yang, Yueyu Hu, Jiaying Liu -본 논문에서는 JPEG 압축을 할 때 필연적으로 발생하는 compression artifact를 효과적으로 제거하기 위한 pixel, frequency domain을 사용하는 DMCNN(Dual-Domain Multi-scale)을 제안한다. -DMCNN은 banding effect를 제거하고, receptive field를 넓히고, local information만으로 artifact를 제거하는 것이 부족할.. 2020. 7. 20. Multi-level Wavelet-CNN for Image Restoration (CVPRW 2018) Multi-level Wavelet-CNN for Image Restoration (CVPRW 2018) Authors: Pengju Liu, Hongzhi Zhang, Kai Zhang, Liang Lin, Wangmeng Zuo -low level vision task에서 receptive field size을 효율성은 중요한 요소이며 일반 convolution layer를 통해 계산비용을 감수하며 receptive field를 확장한다. -최근 dilated convolution을 많이 사용하지만, gridding effect의 문제와 dilated convolution의 receptive field는 결국 input image의 spare sampling의 결과물이라는 문제가 존재한다. -따라서 .. 2020. 7. 16. SCAN: Spatial Color Attention Networks for Real Single Image Super-Resolution (CVPRW 2019) SCAN: Spatial Color Attention Networks for Real Single Image Super-Resolution (CVPRW 2019) -Authors: Xuan Xu and Xin Li -본 논문에서는 최근 우수한 성능을 보이는 attention mechanism을 R,G,B channel에 적용한 SCAN(Spatial Color Attention Network)을 제안한다. 제안하는 spatial color attention module은 residual group의 output feature를 통해 각 color components에 대한 중요한 color information을 조정한다. -Attention은 많은 high-level vision tasks(e.g., .. 2020. 7. 14. Attention Module Attention for extract essential feature map -Attention Module Effectiveness: 아래 Figure 1을 통해 attention의 효과를 확인할 수 있다. BAM(Bottleneck Attention Module)을 통해 추출된 attention map이 intermediate feature map에서 essential한 feature를 강조하고, 불필요한 부분은 억제하는 것을 확인할 수 있다. Channel attention, Spatial attention, Channel & Spatial Attention -Channel Attention: channel attention은 feature map의 channel간의 관계를 이용하여 특정 chan.. 2020. 7. 9. 이전 1 2 3 4 5 6 7 8 ··· 13 다음
