複合多分支特徵融合用於真實圖像修復
圖像修復是一個具有挑戰性且為一種 ill-posed 問題，這也是一個長期存在的問題。然而，大多數基於學習的修復方法僅針對一種類型的退化，這意味著它們缺乏泛化能力。在本文中，我們提出了一種受到人類視覺系統（即視網膜神經節細胞）啟發的多分支修復模型，該模型可以在一個通用框架中實現多種修復任務。實驗結果顯示，所提出的多分支架構，稱為CMFNet，在四個數據集上的表現具有競爭力，這些數據集包括圖像去模糊、去霧和去雨滴，這些應用在自動駕駛汽車中非常常見。

半小波注意力在M-Net+上的應用於低光圖像增強
低光圖像增強是一個計算機視覺任務，旨在將暗圖像增強到適當的亮度。在圖像修復領域，這也被視為一個 ill-posed 問題。隨著深度神經網絡的成功，卷積神經網絡超越了傳統的基於算法的方法，並成為計算機視覺領域的主流。為了提高增強算法的性能，我們提出了一種基於改進的層次模型M-Net+的圖像增強網絡(HWMNet)。具體來說，我們在M-Net+上使用了半小波注意力塊，以豐富來自小波域的特徵。此外，在兩個圖像增強數據集上，我們的HWMNet在定量指標和視覺質量方面的表現都具有競爭力。

改進的層次結構 M-Net+ 用於盲圖像去噪
圖像去噪是一個長期存在的 ill-posed 問題。最近，卷積神經網絡 (CNNs) 逐漸成為焦點，幾乎主導了計算機視覺領域，並在不同層次的視覺任務中取得了令人印象深刻的成果。其中一個著名的層次結構 CNN 主幹是 U-Net，它在去噪和其他計算機視覺領域表現出色。然而，層次結構通常因重複取樣而導致空間信息的丟失，這對去噪性能，尤其是像去噪這樣的逐點操作任務產生了嚴重影響。本文提出了一種改進的層次主幹模型 M-Net+ 用於圖像去噪，以改善空間細節的丟失。此外，我們在兩個合成的高斯噪聲數據集上進行了測試，展示了我們模型的競爭性結果。

選擇性殘差 M-Net 用於真實圖像去噪
圖像修復是一項低層次的視覺任務，旨在將退化的圖像恢復為無噪聲的圖像。隨著深度神經網絡的成功，卷積神經網絡已超越傳統的修復方法，並成為計算機視覺領域的主流。為了提高去噪算法的性能，我們提出了一種基於層次結構的盲真實圖像去噪網絡（SRMNet），該結構從 U-Net 改進而來。具體而言，我們在層次結構 M-Net 上使用了一個具有殘差塊的選擇性內核，以豐富多尺度語義信息。此外，在兩個合成和兩個真實世界的噪聲數據集上，我們的 SRMNet 在定量指標和視覺質量方面均表現出競爭力。源代碼和預訓練模型可在以下鏈接獲取：https://github.com/FanChiMao/SRMNet。

SUNet: 基於 Swin Transformer 的 UNet 用於圖像去噪
圖像修復是一個具有挑戰性的 ill-posed 問題，並且長期以來一直是研究的難題。過去幾年，卷積神經網絡 (CNNs) 幾乎主導了計算機視覺領域，並在包括圖像修復在內的不同層次的視覺任務中取得了相當的成功。然而，最近基於 Swin Transformer 的模型也展示了令人印象深刻的表現，甚至超越了基於 CNN 的方法，成為高層次視覺任務的最新技術。在本文中，我們提出了一個名為 SUNet 的修復模型，該模型使用 Swin Transformer 層作為基本模塊，並將其應用於 UNet 架構來進行圖像去噪。

WBTP-VTON：基於全身和紋理保護的虛擬試穿網絡
基於圖像的虛擬服裝試穿系統越來越受歡迎。然而，許多挑戰仍有待解決。為此，我們提出了一種新的完全可學習的方法，稱為基於全身和紋理保護的虛擬試穿網絡 (WBTP-VTON)，以應對該領域中的所有實際挑戰。首先，WBTP-VTON 模板轉換使用幾何匹配模塊 (GMM) 方法根據目標人物的體型來轉換目標衣服和褲子（或裙子）。第二部分是合成最終圖像，使生成的結果更逼真。最後，我們使用試穿模塊和合成遮罩將變形的衣服與最終圖像結合起來，以確保圖像的平滑度。經過在大型數據集上的實驗證明，我們的 WBTP-VTON 方法具有先進的虛擬試穿性能。