噪声数据下的超分辨率
本文通过解决凸优化问题,展示了如何利用傅里叶采样和半定规划方法以无限精确度解决超分辨率问题,应用到一维的情况中,也可以超分辨率地解决具有分段平滑函数的问题,并且该理论和方法是鲁棒的,能够处理噪声。
Mar, 2012
本研究提出了一个新的非参数性盲超分辨率方法,该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果,并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化,最后比较实验证明,该方法在核估计准确性和图像超分辨率质量方面都表现优异。
Mar, 2015
使用 DSGAN 结构进行无监督学习,将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术,只需对高频部分进行对抗性训练,从而极大地提高超分辨率模型在真实世界图像上的性能表现。
Nov, 2019
通过使用扩散基于生成模型的 AudioSR,我们能够对多种音频类型进行稳健的音频超分辨率处理,包括音效、音乐和语音,并在 2kHz 到 16kHz 的带宽范围内将输入音频信号上采样到 24kHz 带宽的高分辨率音频信号,从而大大提高音频生成模型的生成质量。
Sep, 2023
本文提出了一种基于 Gibbs 分布的条件模型,其充分统计量由深度卷积神经网络给出,用于图像超分辨率问题,并证明了该方法可在其他具有挑战性的不适定问题中使用,例如音频带宽扩展。
Nov, 2015
本研究提出了一种 Single Image Super-Resolution 的解决方案,可以在保证低复杂度的前提下,通过训练数据来学习一组 filter,使得对于一张不在训练集中的图片,可以生成更高分辨率、更高质量的图片;同时该方法还包括了一种有效的图像锐化算法,可以作为预处理步骤来提高下采样放大滤波器的学习效果。
Jun, 2016
本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法,利用新型 Loss Function 提升低复杂度生成器网络的表现,以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN 和 SRFlow 等最先进感知超分辨率方法相当的结果,并且比这些方法快 2.4 倍至 48 倍不等。
Jun, 2021
本研究提出了一种任意尺度的超分辨率方法,用于提高科学数据的分辨率;基于算子学习,使用分层神经算子和自注意机制,利用 Sinc 滤波器实现不同层级之间的信息传递,并引入可学习的先验结构动态调整像素贡献权重,从而有效平衡模型中的梯度;在多个领域的不同数据集上进行了大量实验证明相对于最先进的方法,本方法有着持续的改进。
May, 2024