深度卷积网络图像超分辨率
本文提出了一种新的图像超分辨率方法,该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块,同时在潜在特征空间中进行上采样,并通过多尺度 HR 重建以获得更精确的图像恢复,进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。
Jul, 2016
本研究提出了一种用于单幅图像超分辨率的高精度方法,利用 VGG-net 进行训练,使用 20 个卷积层避免过拟合,训练方法基于小滤波器,只学习残差,并使用极高的学习率。实验表明,该方法在精度上优于现有方法。
Nov, 2015
比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络,提出了一种基于深度学习的超分辨率网络的分类方法,并提出了现有技术的几个缺点和未来研究方向。
Apr, 2019
该研究提出了一种基于深度卷积神经网络的深度图像超分辨率方法,借鉴了深度场统计学和颜色 - 深度图像之间的局部相关性等先验知识,与当前最先进的深度图像超分辨率技术相比提升了很大的表现。
Jul, 2016
该论文提出了一种有效的三维卷积神经网络 3DSRnet,用于视频超分辨率,通过利用空时相干性来提高预测高分辨率帧的准确性,而且在不需要预处理的情况下优于最先进的方法,提出了一种新的处理场景变化的方法。
Dec, 2018
本研究调查了单图像超分辨率的经典方法和基于深度学习的方法,将这些方法分类为四类,并介绍了 SR 的问题,提供了图像质量指标,参考数据集和 SR 的挑战。其中包括 EDSR,CinCGAN,MSRN 等最先进的图像 SR 方法。
Feb, 2021
本文提出一种卷积神经网络,该网络的特征图在低分辨率空间中提取,使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出,从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器,同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明,它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多,并且速度快了一个数量级。
Sep, 2016
本研究旨在扩展残差网络的优点,如快速训练,用于低级视觉问题,即单个图像超分辨率,通过引入跳跃连接和逐渐改变网络形状的策略,该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果,并产生了视觉上令人愉悦的结果。
Mar, 2017
本文介绍提出的增强型深度超分辨网络(EDSR)和多尺度深度超分辨系统(MDSR),通过深度卷积神经网络(DCNN)和残差学习等技术,去除不必要的模块,并扩展模型大小和稳定的训练过程,实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构,表现卓越,赢得 NTIRE2017 超分辨挑战。
Jul, 2017
该研究提出了一种学习统一框架下的一组 SR 预测模块的方法,这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率,相比其他方法在广泛范围内实现了最先进的恢复效果。
Jan, 2017