简单,准确和鲁棒的非参数盲超分辨率
本文提出一种盲图像超分辨率的新方法,使用重新构建的退化模型和两个新模块,通过对内核估计和内核基于高分辨率图像恢复的改进,实现更好的准确性和视觉改进,并在多个基准测试中进行了验证。
Feb, 2022
这篇论文系统地回顾了最近盲目图像超分辨率的研究进展,提出了一个分类法以区分现有的方法,并对常用数据集和以前的比赛进行了总结。同时,通过对合成和真实测试图像的详细分析,对不同方法的优缺点进行了比较。
Jul, 2021
本文提出了一种新的盲超分辨率框架 KOALAnet,它基于 Kernel-Oriented 自适应局部调整(KOALA)SR 特征,联合学习在实际图像中适应于空间变异模糊特征的空间变型退化和恢复核,可处理艺术照片中的故意模糊并产生最自然的结果。
Dec, 2020
该研究提出了一种实用的盲自适应卫星视频超分辨率算法(BSVSR),通过粗到精的方式考虑像素级模糊程度,探索更多的锐度线索,并使用金字塔空间转换模块在多层次领域中调整锐度中间特征的解空间,从而在模拟和实际卫星视频上表现出色,优于最先进的非盲和盲自适应超分辨率模型。
Jan, 2024
本文提出了基于模糊内核建模方法的深度卷积神经网络模型,用于解决视频超分辨率问题,该模型包括运动模糊估计、运动估计和潜在图像恢复模块,实验证明该算法能够生成结构更清晰、细节更好的图像,并且性能优于当前先进的方法。
Mar, 2020
本文提出了一种基于 Laplacian 金字塔的核预测网络(LP-KPN)来恢复高分辨率图像,通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集,证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果,且模型能够适应不同的相机设备。
Apr, 2019
设计了一种名为 CRL-SR 的网络进行盲超分辨率重建,可以有效应对多模式、空间变量和未知分布的图像降质,其应用了对比度表示学习和对比度特征强化两种策略,并在实验中验证了其在超分辨率重建上的优越性。
Jul, 2021
介绍了一种新的超分辨率方法 —— 基于 Deep Internal Learning 的 KernelGAN。该方法可以在不知道下采样核(SR-kernel)的情况下进行盲超分辨率(Blind-SR),不需要数据集,实现了最先进的效果。
Sep, 2019
本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架,通过在 SR 网络特征映射中插入预测向量的元数据插入块,我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果,实现了比非盲和盲超分辨率网络更强大的超分辨率性能。
Nov, 2022
现在,基于深度学习的方法在理想的超分辨率(SR)数据集上展现出了令人印象深刻的性能,但在应用于具有不可预测模糊核的现实 SR 重建任务时,大多数这些方法会显著降低性能。为了解决这个问题,提出了盲 SR 方法来改善随机模糊核造成的视觉结果,这同样导致理想低分辨率图像的重建效果不理想。本文提出了一个用于理想和盲 SR 任务的双赢框架,命名为 S2R,包括一个轻量级的基于 transformer 的 SR 模型(S2R transformer)和一种新颖的自上而下的训练策略,可以在理想和随机模糊条件下实现出色的视觉结果。在算法层面上,S2R transformer 巧妙地组合了一些高效且轻量级的块,以增强提取特征的表示能力,并且具有相对较少的参数。对于训练策略,首先进行粗粒度的学习过程,通过大规模外部数据集的帮助来改进网络的泛化能力,然后,开发了一种快速微调过程,通过挖掘图像的内部特征将预训练模型转移到现实 SR 任务中。实验结果表明,提出的 S2R 在理想的 SR 条件下仅使用 578K 参数就优于其他单图像 SR 模型。同时,在盲模糊条件下,它可以实现比常规盲 SR 模型更好的视觉效果,仅使用 10 次渐变更新就提高了收敛速度 300 倍,显著加速了在现实世界情况下的迁移学习过程。
Aug, 2023