关于图像复原技术很全面的一篇文章，很多数字图像复原的研究都参考此文献

信息网 通过提出的MIRNet架构的Tensorflow实现，。 Lanuch笔记本： Wandb日志： ://wandb.ai/19soumik-rakshit96/mirnet MIRNet的TFLite变体： : 。 Tensorflow Hub上的TFLite模型： ://tfhub.dev/sayakpaul/lite-model/mirnet-fixed/dr/1 。 MIRNet的Tensorflow JS变体： : 。 预先训练的体重 在128x128补丁程序上进行了训练： ：//drive.google.com/file/d/1sUlRD5MTRKKGxtqyYDpTv7T3jOW6aVAL/view usp = sharing 已针对256x256补丁进行了培训： https ：//drive.google.com/file/d/1sUlRD5MTR

matlab 实现图像复原

以标准灰度图像为例，经过小波分解得到的四幅自带图。通过小波图像分解得到的歌尺度上的小波系数，然后对各种系数星星阈值处理，最后利用处理后的系数进行小波重构，从而得到去噪图像。一幅图像在经过小波分解后，可以得到其低频细节、垂直细节、水平细节和对接线四届四幅图像

Reimplement of "Cross-Field Joint Image Restoration via Scale Map" Qiong Yan, Xiaoyong Shen, Li Xu, Shaojie Zhuo, Xiaopeng Zhang, Liang Shen, Jiaya Jia IEEE International Conference on Computer Vision(ICCV), 2013

多阶段渐进式图像恢复（CVPR 2021） ， ， ， ， ， 和 论文： : 补充文件： 摘要：图像恢复任务要求在恢复图像时在空间细节和高级上下文信息之间达成复杂的平衡。 在本文中，我们提出了一种新颖的协同设计，可以最佳地平衡这些相互竞争的目标。 我们的主要建议是一个多阶段体系结构，该体系结构逐步学习降级输入的恢复功能，从而将整个恢复过程分解为更易于管理的步骤。 具体来说，我们的模型首先使用编码器-解码器体系结构学习上下文相关的功能，然后将它们与保留本地信息的高分辨率分支相结合。 在每个阶段，我们都会介绍一种新颖的每像素自适应设计，该设计利用现场监督的注意力来重新加权局部特征。 这种多阶段体系结构中的关键要素是不同阶段之间的信息交换。 为此，我们提出了一种两方面的方法，其中不仅从早期到后期顺序地交换信息，而且还存在特征处理块之间的横向连接，以避免任何信息丢失。 由

非均匀光照处理，水下图像付原代码，水下图像增强

小波变换及matlab原始码最新的可再现图像恢复 基于深度学习的图像恢复工作的最新技术，包括图像超分辨率，降噪，修复，增强和一般恢复等。某些代码可能不是官方的，请仔细检查。 每个小节下的列表可能有重叠。 此列表由维护。 信息来源 该系列的灵感来自以下来源，并进行了重新组织： 去噪 超分辨率 图像超分辨率 我们遵循来组织网络设计思想中的相关工作。 每个小节下的列表可能有重叠。 监督方法 基于深度学习的超分辨率始于SRCNN。 神经网络使用深度卷积网络（TPAMI15）的图像超分辨率，Dong等。 剩余学习 VDSR 使用非常深的卷积网络（CVPR16）进行准确的图像超分辨率，Kim等。 网际网路Memnet：用于图像恢复的持久性存储网络（ICCV17），Tai等。 红色的使用具有对称跳过连接的超深度卷积编码器/解码器网络进行图像恢复（NIPS2016），Mao等人。 DRRN Tai等通过深度递归残差网络（CVPR17）实现图像超分辨率。 国际化域名Hui等人通过信息蒸馏网络（CVPR18）进行快速，准确的单图像超分辨率。 EDSR Lim等人，用于单图像超分辨率的增强型深度残差网络（N

用于真实图像超分辨率的深循环生成对抗性残差卷积网络（SRResCycGAN） 网络的官方PyTorch实现，如论文。 这项工作以高x4放大系数参加了挑战赛道3。 抽象的 最近基于深度学习的单图像超分辨率（SISR）方法主要是在干净的数据域中训练其模型，其中低分辨率（LR）和高分辨率（HR）图像来自无噪声设置（相同域）到双三次降采样假设。 但是，这种降级过程在实际环境中不可用。 我们考虑到深度循环网络结构，以保持LR和HR数据分布之间的域一致性，这是受CycleGAN在图像到图像翻译应用程序中最近成功的启发。 通过以端对端方式从LR到HR域转换的生成对抗网络（GAN）框架进行训练，我们提出了超分辨率残留循环生成对抗网络（SRResCycGAN）。 我们在定量和定性实验中证明了我们提出的方法，该方法很好地推广到了真实图像的超分辨率，并且很容易部署到移动/嵌入式设备中。 此外，我们在AIM 2

固态继电器 PyTorch实施具有梯度引导的保留结构超分辨率（CVPR 2020）[ ] [ ] 如果您发现我们的工作对您的研究有用，请考虑引用： @inproceedings{ma2020structure, title={Structure-Preserving Super Resolution with Gradient Guidance}, author={Ma, Cheng and Rao, Yongming and Cheng, Yean and Chen, Ce and Lu, Jiwen and Zhou, Jie}, booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2020} } 依存关系 P