建设网络文化网站的请示,表白二维码制作网站,wordpress存放的目录在,手机网站建设原则#x1f9c0;当前视觉领域对高效长序列建模需求激增#xff0c;对Mamba图像增强这方向的研究自然也逐渐火热。原因在于其高效长程建模#xff0c;以及动态计算优势#xff0c;在图像质量提升和细节恢复方面有难以替代的作用。 #x1f9c0;因此短时间内#xff0c;就有不…当前视觉领域对高效长序列建模需求激增对Mamba图像增强这方向的研究自然也逐渐火热。原因在于其高效长程建模以及动态计算优势在图像质量提升和细节恢复方面有难以替代的作用。 因此短时间内就有不少Mamba图像增强的成果陆续发表比较突出的有字节等团队提出的图像恢复网络VmambaIR仅使用26%的计算成本就实现了超越SOTA的重建精度还有华为诺亚方舟实验室等提出的基于Mamba的图像增强方法TAMambaIR计算效率起飞。 为帮助大家紧跟领域发展我总结了11篇热点研究成果有代码的也都有
我还整理出了相关的论文开源代码以下是精选部分论文 论文1
标题
MambaUIE: Unraveling the Oceans Secrets with Only 2.8 GFLOPs
仅用2.8 GFLOPs解开海洋秘密的MambaUIE
方法 Mamba架构基于状态空间模型SSM的Mamba架构能够以线性复杂度对长距离依赖关系进行建模。 动态交互-视觉状态空间块DI-VSS引入视觉状态空间VSS块来捕获全局上下文信息同时挖掘局部信息。 空间前馈网络SGFN设计SGFN来处理DI-VSS获得的特征图进一步增强Mamba的局部建模能力。 动态交互块DIB通过空间交互S-I和通道交互C-I操作动态地对两个分支的特征图进行加权以更好地融合全局和局部信息。
创新点 首次将Mamba应用于UIE任务打破了FLOPs对UIE准确性的限制为未来探索更高效的UIE提供了新的基准。 性能提升相比之前的方法MambaUIE在UIEB数据集上将GFLOPs降低了67.4%从2.715G降低到2.8 GFLOPs同时在PSNR和SSIM指标上取得了最佳性能。 全局与局部信息融合通过DI-VSS和DIB的设计有效地将全局和局部信息结合在一起提高了模型的准确性和效率。 论文2
标题
Mamba-UIE: Enhancing Underwater Images with Physical Model Constraint
Mamba-UIE用物理模型约束增强水下图像
方法 物理模型约束框架基于修订的水下图像形成模型将输入图像分解为四个组件水下场景辐射度、直接传输图、后向散射传输图和全局背景光。 Mamba-UIE网络结合CNN和Mamba的混合架构利用Mamba在通道和空间层面上对长距离依赖关系进行建模同时保留CNN主干以恢复局部特征和细节。 重建一致性约束在重建图像和原始图像之间应用重建一致性约束以实现对水下图像增强过程的有效物理约束。
创新点 物理模型约束通过引入物理形成模型考虑了图像形成过程中的物理定律和现实世界特征提高了生成图像的真实性和鲁棒性。 性能提升在UIEB数据集上Mamba-UIE实现了27.13的PSNR和0.93的SSIM超越了现有的最先进方法。 全局与局部依赖关系建模通过结合CNN和Mamba同时实现了全局和局部依赖关系的建模提高了图像增强的效果 论文3
标题
O-Mamba: O-shape State-Space Model for Underwater Image Enhancement
O-MambaO型状态空间模型用于水下图像增强
方法 O型双分支网络采用O型双分支网络分别对空间和跨通道信息进行建模利用状态空间模型的高效全局感受野。 多尺度双向促进模块MSBMP设计MSBMP模块以增强两个分支之间的信息交互并有效利用多尺度信息。 多尺度混合专家MS-MoE在每个分支内融合多尺度信息通过多个Mamba专家学习不同尺度的特征表示。 循环多尺度优化策略CMS通过循环优化不同尺度的损失减少同时优化多个尺度损失时的潜在冲突。
创新点 双分支结构通过空间Mamba分支和通道Mamba分支从不同维度对水下图像增强过程进行建模空间分支起主导作用通道分支从通道维度进行补充。 性能提升在多个数据集上实现了SOTA性能例如在LSUI数据集上PSNR从29提升到30SSIM从0.9139提升到0.9245。 多尺度信息利用通过MS-MoE和CMS策略充分利用多尺度信息提高了模型对不同尺度特征的建模能力。 论文4
标题
PixMamba: Leveraging State Space Models in a Dual-Level Architecture for Underwater Image Enhancement
PixMamba利用状态空间模型的双层架构进行水下图像增强
方法 双层架构PixMamba包含两个关键组件用于重建增强图像特征的Efficient Mamba NetEMNet和用于确保增强图像全局一致性的PixMamba NetPixNet。 Efficient Mamba NetEMNet结合Efficient Mamba BlockEMB进行高效的块级特征提取和依赖关系建模以及Mamba Upsampling BlockMUB进行细节保留的上采样。 PixMamba NetPixNet在像素级别处理整个图像捕获全局视图中的详细特征通过Block-wise Positional EmbeddingBPE提供空间信息。 状态空间模型SSM利用SSM的线性复杂度和长距离建模能力实现高效的全局依赖关系建模。
创新点 双层处理通过结合块级和像素级处理PixMamba能够同时增强微观细节和宏观图像质量性能优于仅依赖跳过连接的方法。 性能提升在C60数据集上UIQM从2.667提升到2.868UCIQE从0.574提升到0.586在UCCS数据集上UCIQE从0.55提升到0.561。 计算效率通过引入Mamba Upsampling BlockMUB和Block-wise Positional EmbeddingBPE在保持高效计算的同时提高了图像增强的质量。
