统一 EGformer：混合曝光图像增强的引导轻量级 Transformer
内容提要
本研究提出了一种基于全景图几何偏置的EGformer变压器，旨在提高扭曲equirectangular图像的深度估计效果。该方法在深度结果、计算成本和参数上均表现优异，证明了其有效性。此外，研究还探讨了多曝光图像融合、医学图像去噪及低光照图像增强等技术，均优于传统方法。
延伸解读
全景深度估计的几何偏置思路
文章提出的EGformer利用全景图的几何特性作为局部注意力的偏置，使注意力在全局范围内提取信息，以应对equirectangular投影带来的扭曲。相比其他基于Transformer的深度估计方法，该方法在深度结果、计算成本和参数数量上均表现更优，为全景深度估计提供了一种高效解决方案。
多曝光融合的技术演进
文章回顾了多曝光融合领域的两项工作：TransMEF使用自监督多任务学习结合CNN与Transformer，在11种方法对比中取得最佳性能；另一项工作通过Macro-Micro-Hierarchical transformer处理曝光问题，结合宏观与微观特征提取和对比度约束，在曝光修正和图像增强上优于现有方法。这些进展显示了Transformer在多曝光融合中的潜力。
医学图像去噪的Transformer实践
Eformer将Transformer用于医学图像去噪，通过非重叠窗口自注意力降低计算量，并引入可学习的Sobel-Feldman算子增强边缘。在AAPM-Mayo低剂量CT数据集上达到43.487 PSNR、0.0067 RMSE和0.9861 SSIM，展示了Transformer在医学图像去噪中的有效性，并鼓励更多研究者探索残差学习与Transformer的结合。
轻量化与低光照增强的进展
EGE-UNet通过GHPA和GAB模块在轻量级框架中实现病理信息多角度提取和多尺度融合，在ISIC2017和ISIC2018上超越现有最优方法，参数和计算成本比TransFuse降低494倍和160倍，参数仅50KB。低光照增强方面，有工作结合伽马校正与深度网络，通过泰勒级数近似加速训练和推理，并利用本地到全局的层次化注意力机制，在多个基准数据集上优于现有方法。
Q&A
EGformer变压器的主要功能是什么？
EGformer变压器旨在提高扭曲equirectangular图像的深度估计效果。
EGformer在深度估计方面的表现如何？
EGformer在深度结果、计算成本和参数上均表现优异，证明了其有效性。
多曝光图像融合技术的创新点是什么？
该技术使用自监督多任务学习，结合CNN和Transformer模块，取得了最佳性能。
Uformer架构的优势是什么？
Uformer具有高效捕获局部和全局图像依赖性的能力，适用于多种图像恢复任务。
Eformer在医学图像去噪中的应用效果如何？
Eformer结合非重叠窗口自注意力和可学习的Sobel-Feldman运算符，达到了最新的性能。
针对低光照图像增强，提出了什么新方法？
提出了一种结合伽马校正和深度网络建模能力的新颖网络结构，显著优于现有方法。
