{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,13]]，“日期-时间”：“2024-09-13T02:52:48Z”，“时间戳”：1726195968427}，“发布者位置”：“查姆”，“引用-计数”：28，“出版者”：“施普林格自然瑞士”，“isbn-type”：[{“类型”：”打印“，“值”：“978303131462”}，{“类型”：“电子”，“值”：“9783031314179”}]，“许可证”：[{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/researners\/text-and-data-mining”}，{“开始”：{“date-ports”：[2023,1]]：“2023-01-01T00:00:00Z”，“时间戳”：1672531200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[[2023]]}，”DOI“：”10.1007\/978-31-31417-9_40“，“type”：“book-chapter”，“created”用法：{“date-parts”：[[2023,5,6]]，“date-time”：“2023-05-06T12:02:31Z”，“timestamp”：1683374551000}，“page”：“532-542”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：1，“title”：[“一种基于转换器的快速和高效图像解调的U-Net体系结构”]，“前缀”：“10.1007”，“作者”：[{“ORCID”：“http://\/ORCID.org\/0000-0001-7417-1513”，“authenticated-ORCID”：false，“给定”：“Densen”，“family”：“Puthussery”，“sequence”：“first”，“affiliation”：[]}，{“ORCID”:“http://\-ORCID.org\/0000-0002-8743-2345”，“authenticated-ORCID“：false”，“give”：“P.S.”，“家族”：“Hrishikesh”，“序列”：“附加”，“从属关系”：[]}，{“ORCID”：“http://\/orcid.org\/00000-0002-6667-226X”，“authenticated-orcid”：false，“given”：“C.V.”，“family”：“Jiji”，”sequence“：”additional“，”affiliation“：[]}]，“member”：“297”，“published-online”：{“date-parts”：[2023,5,7]]}，“reference”：[{“key”：”40_CR1“，”doi-asserted-by“：”crossref“，“unstructured”：“Anwar，S.，Barnes，N.：关注特征的真实图像去噪。CoRR abs \/1904.07396（2019）。http://\/arxiv.org\/abs\/1904.0 7396”，“DOI”：“10.1109\/ICCV.2019.00325”}，{“key”：“40_CR2”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cheng，X.，Fu，Z.，Yang，J.：图像去噪的多尺度动态特征编码网络（2019年）”，“DOI”：“10.1109\/ICCVW.2019.00432”}，{“key”：“40_CR3”，“unstructured”：“Dosovitskiy，A.，et al.：图像值16x16个单词：用于大规模图像识别的变形金刚。In：第九届学习表征国际会议，ICLR 2021，虚拟事件，奥地利，20137年5月3日，2021年。OpenReview.net（2021）。https:\/\/openreview.net\/forum？id=YicbFdNTTy“}，{“key”：“40_CR4”，“doi-asserted-by”：“crossref”，“unstructured”：“Haris，M.，Shakhnarovich，G.，Ukita，N.：超分辨率的深度反向投影网络（03 2018）”，“doi”：“10.1109\/CVPR.2018.00179”}，}，“key“：”40_CR5He，B.、Wang，C.、Shi，B.和Duan，L.Y.：使用MOPNET的拖布云纹图案。摘自：IEEE计算机视觉国际会议（ICCV）论文集，2019年10月”，“DOI”：“10.1109”，{“key”：“40_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kim，Y.，Soh，J.W.，Park，G.Y.，Cho，N.I.：通过自适应实例归一化将学习从合成去噪转移到实际去噪。收录于：IEEE计算机视觉与模式识别会议（CVPR），2020年6月”，“DOI”：“10.1109”，{“key”：“40_CR7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kupyn，O.，Budzan，V.，Mykhailych，M.，Mishkin，D.，Matas，J.：Deblurgan：使用条件对抗网络的盲运动去模糊。CoRR abs \/1711.07064（2017）。http://\/arxiv.org\/abs\/1711.07064“，“DOI”：“10.1109\/CVPR.2018.00854”}，{“key”：“40_CR8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ledig，C.等人：使用生成对抗网络的真实感单幅图像超分辨率。摘自：2017 IEEE计算机视觉和模式识别会议（CVPR），pp.105\u2013114（2017）”，“DOI:”10.1109\/CVPR.2017.19“}，{“key”：“40_CR9”，“doi-asserted-by”：“publisher”，“unstructured”：“Li，Y.，Zhang，K.，Cao，J.，Timofte，R.，Van Gool，L.：Localvit:将位置引入视觉变压器（2021）。https:\/\/doi.org\/10.48550\/ARXIV.2104.05707，https:\//ARXIV.org\/abs\/2104.05707”，“doi”：“10.48550\/ARXV.2104.057”}，{“键”：“40_CR10”，“doi-asserted-by“：“publisher”，“unstructured”：“Liang，J.，Cao，J.、Sun，G.、Zhang，K.、Van Gool，L.、Timofte，R.：Swinir：使用swi transformer恢复图像。收录于：2021 IEEE\/CVF国际计算机视觉研讨会（ICCVW），第1833\u20131844页（2021）。https:\/\/doi.org\/10.109\/ICCVW54120.2021.00210“，”doi“：”10.1109\/ICCV W541202021.0210“}，{“key”：“40_CR11”，“unstructured”：“Liu，B.，Shu，X.，Wu，X.:使用深度卷积神经网络演示摄像捕获的屏幕图像（2018）”}，}“key:”40_CR12“，”doi-asserted-by“：”publisher“，”unstructure“：”Liu，Z.，et al.：Swin transformer：使用移动窗口的分层视觉变换器。参加：2021 IEEE计算机视觉国际会议，ICCV 2021，蒙特利尔，QC，加拿大，2013年10月10日，2017年，2021年。第9992页\u201310002。IEEE（2021）。https:\/\/doi.org\/10.109\/ICCV48922.2021.00986“，”doi“：”10.1109\/ICCV6892.2021.00886“}，{“key”：“40_CR13”，“doi-asserted-by”：“publisher”，“unstructured”：“Luo，X.，Zhang，J.，Hong，M.，Qu，Y.，Xie，Y.和Li，C.：用于单个图像演示的具有域自适应的深度小波网络。收录于：2020 IEEE计算机视觉和模式识别研讨会（CVPRW），第1687页，20131694（2020）。https:\/\/doi.org\/10.109\/CVPRW50498.2020.00218“，”doi“：”10.1109\/CVPRV50498.020.00218“}，{”key“：”40_CR14“，”doi-asserted-by“：”publisher“，”first page“：“4160”，“doi”：“10.1109\/TIP.2018.2834737”，“volume”：“27”，“author”：“Y Sun”，“year”：“2018”，“unstructured”：“”Sun，Y.、Yu，Y.和Wang，W.：使用多分辨率卷积神经网络恢复Moir\u00e9照片。IEEE传输。图像处理。27，4160\u20134172（2018）“，“期刊标题”：“IEEE Trans。图像处理。}，{“key”：“40_CR15”，“unstructured”：“Vaswani，A.，et al.：注意是你所需要的。CoRR abs \/1706.03762（2017）。http://\/arxiv.org\/abs\/1706.0 3762”}，}，“key“：”40_CR16“，”unstructure“：”Wang，Z.，Cun，X.，Bao，J.，Liu，J.：Uformer：用于图像恢复的通用u形变压器。CoRR-abs \/2106.03106（2021）.https:\/\/arxiv.org\/abs\/2106.03106“}，{”key“：”40_CR17“，”doi-asserted-by“：”publisher“，”unstructured“：”Xia，Z.，Chakrabarti，A.：用深层神经网络识别自然图像去噪的重复模式。在：IEEE计算机视觉应用冬季会议，WACV 2020，美国科罗拉多州斯诺马斯村，2020年3月1日，第2415\u20132423页。IEEE（2020）。https:\/\/doi.org\/10.109\/WACV45572.2020.9093586“，”doi“：”10.1109\/WACV65572.2020.9093586“}，{“key”：“40_CR18”，“unstructured”：“Xie，E.，Wang，W.，Yu，Z.，Anandkumar，A.，Alvarez，J.M.，Luo，P.：Segformer：使用转换器进行语义分割的简单高效设计。收录于：Ranzato，M.、Beygelzimer，A.、Dauphin，Y.、Liang，P.、Vaughan，J.W.（编辑）《神经信息处理系统进展》，第34卷，第12077\u201312090页。Curran Associates，Inc.（2021年）。https:\/\/processes.neurips.cc\/paper\/2021\/file\/64f1f27bf1bf4ec22924fd0acb550c235-paper.pdf“}，{“key”：“40_CR19”，“doi-asserted-by”：“crossref”，“unstructured”：“Yang，F.、Yang，H.、Fu，J.、Lu，H.和Guo，B.：学习用于图像超分辨率的纹理变换网络。收录于：IEEE计算机视觉与模式识别（CVPR）会议记录，2020年6月”，“DOI”：“10.1109”，{“issue”：“7”，“key”：“40_CR20”，“DOI-asserted-by”：“crossref”，“first page”：”3528“，“DOI:”10.1109，TIP.2017.2695104“，“volume”：：“26”，“author”：“J Yang”，“year”：“2017”，“unstructured”：“Yang，J.，Liu，F.，Yue，H.，Fu，X.，Hou，C.，Wu，F.:通过信号分解和引导滤波进行纹理图像演示。IEEE Trans。图像处理。26（7），3528\u20133541（2017）“，“期刊标题”：“IEEE Trans。图像处理。“｝，｛”key“：”40_CR21“，”非结构化“：”Yuan，S.等人：Ntire 2020图像解调挑战：方法和结果。在：2020 IEEE\/CFF计算机视觉和模式识别研讨会（CVPRW）会议，pp.1882\u20131893（2020）“｝，｛”key“：”40_CR22“，”doi断言“：”crossref“，”非结构化“：”Yuan，S.、Timofte，R.、Slabaugh，G.、Leonardis，A.：Aim 2019图像解调挑战：数据集和研究。2019 IEEE\/CVF国际计算机视觉研讨会（ICCVW），第3526\u20133533页（2019）“，“DOI”：“10.1109\/ICCVW.2019.00437”}，{“key”：“40_CR23”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yuan，S.、Timofte，R.、Leonardis，A.、Slabaugh，G.：2020年图像演示的挑战：方法和结果。摘自：IEEE计算机视觉和模式识别（CVPR）研讨会论文集，2020年6月”，“DOI”：“10.1109”，“ICCVW.2019.00437”}，{“key”：“40_CR24”，“DOI-asserted-by”：“publisher”，”unstructured“：”Yuan，S.，et al.：《2019年图像演示挑战：方法和结果》（2019）。https:\/\/DOI.org\/10.48550\/ARXIV.1911.03461“，”DOI“：”10.48550\/ARXIV.1911.03461“}，{“key”：“40_CR25”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，H.，Dai，Y.，Li，H.、Koniusz，P.：用于图像去模糊的深层分层多抽样网络。收录于：2019 IEEE\/CVF计算机视觉与模式识别会议（CVPR），第5971\u20135979页（2019）”，“DOI”：“10.1109\/CVPR.2019.00613”}，}“key“：”40_CR26“，”unstructured“：”Zhang，Y.，Li，K.，Li.，K.、Wang，L.，Zhong，B.，Fu，Y.：使用非常深的剩余通道注意网络的图像超分辨率。CoRR abs \/1807.02758（2018）。http://\/arxiv.org\/abs\/1807.02758“}，{“key”：“40_CR27”，“doi-asserted-by”：“publisher”，“unstructured”：“Zheng，B.，Yuan，S.，Slabaugh，G.，Leonardis，A.：使用可学习带通滤波器的图像演示（2020）。https:\/\/doi.org\/10.48550\/arxiv.2004.00406。https:\/\/arxiv.org\/abs\/2004.00406“，”DOI“：”10.48550\/arxiv.2004.00406“}，{“key”：“40_CR28”，“unstructured”：“Zhu，X.、Su，W.、Lu，L.、Li，B.、Wang，X.和Dai，J.：可变形DETR：用于端到端目标检测的可变形变压器。参加：第九届国际学习代表大会，ICLR 2021，虚拟活动，奥地利，20137年5月3日，2021年。OpenReview.net（2021）。https:\/\/openreview.net\/forum？id=gZ9hCDWe6ke“}]，“container-title”：[“计算机和信息科学中的通信”，“计算机视觉和图像处理”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/link.springer.com\/content\/pdf\/10.1007\/978-3-0317-31417-9_40”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application”：“”相似性检查“}”，“存放”：{“日期-部分”：[[2023,5,6]]，“日期-时间”：“2023-05-06T12:14:27Z”，“时间戳”：1683375267000}，“分数”：1，“资源”：{“主要”：{:“URL”：“https:\/\/link.springer.com\/10.10007\/978-3-0317-9_40”}，“ISBN”：[“9783031314162”，“978301314179”]，“references-count“：28，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-031-31417-9_40“，”关系“：{}，”ISSN“：[”1865-0929“，”1865-0837“]，”ISSN-type“：[{”type“:”print“，”value“：”1865-0.929“}，{”类型“：”electronic“，”value“：“1865-0937”}]，”主题“：[]，”发布“：{”日期部分“：[2023]]}，“assertion”：[{“value”：“2023年5月7日”，“order”：1，“name”：“first_online”，“label”：“First Online”，“group”：{“name”：“ChapterHistory”，“label”：“章节历史”}}，{“value”：“CVIP”，“order”：1，“name”:“conference_acrombit”，“标签”：“conference-Acromnim”，“group”：{name”：”ConferenceInfo“，”label“：”会议信息“}，”{value“：”计算机视觉和图像处理国际会议“，”order“：2，”name“：”conference_name“，”标签“：”会议名称“，”组“：{”Name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”Nagpur“，“order”：3，“Name”：“Conference_city”，“label”：“ConferenceCity”，“group”：{“Name”:“ConferenceInfo”，“标签”：“会议信息”}}、{“value”：“India”，“orders”：4，“Name“：信息“，”label“：”会议信息“}}，{“value”：“2022”，“order”：5，“name”：“Conference_year”，“label”：“会议年份”，“group”：{“name”:“ConferenceInfo”，“标签”：“Conferency Information”}}{“value“：”2022年11月6日“，”order“：8，”name“：”conference_end_date“，”label“：”会议结束日期“，”group“：：10，“名称”：“conference_id“，”label“：”会议id“，”group“：{”name“：”ConferenceInfo“，”label“：“会议信息”}}，{”value“：”https:\\//vnit.ac.in\/cvip2022\/“，”order“：11，“name”：“conferenceuurl”，“label”：“会议url”，“group”：“name”：“type”，“label”：“type”，“group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”Microsoft CMT“，”order“：2，“name”：“conference_management_system”，“label”：“会议管理系统”，“group”：{同行评审信息（由会议组织者提供）“}}，{“value”：“307”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）}}number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”11“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”36%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“4”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}]}}