Apr, 2016

图像超分辨率的深度边缘引导循环残差学习

PDF
TL;DR本论文提出了一种名为 DEGREE 的神经网络，其利用递归残差学习深度引导边缘增强的技术，通过次带频率分解来有效地恢复图像的高频细节和保持其边缘细节，与传统方法相比，在三个标准数据集上达到了更优秀的还原效果。
image super-resolutiondeep edge guided recurrent residual networkrecurrent residual learningedge-preserving capabilitysub-band frequency decomposition
发现论文，激发创造
  • Real-GDSR：基于边增强残差网络的实际世界导向 DSM 超分辨率

    通过使用局部细化网络和基于扩散的技术，我们提出了一种名为 REAL-GDSR 的新方法来解决实际世界 DSM（数字表面模型）超分辨率的复杂性问题。我们的方法在定性和定量评估中表现出优于现有方法的效果。

    Apr, 2024

  • 单图像超分辨率的无监督退化学习

    本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

    Dec, 2018

  • 利用深度学习增强微 CT 图像分辨率和恢复纹理

    本文介绍了一种基于深度学习的数字岩石超分辨率成像技术，利用增强深度超分辨率生成对抗网络（EDSRGAN）对数字岩石进行超分辨率成像，实现了高分辨率图像的重建，特别是对于具有微孔特征的岩石样本，对进一步分析具有重要意义。

    Jul, 2019

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 基于深度学习的单幅图像超分辨率的全面综述

    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

  • 增强型深层残差网络用于单张图像超分辨率

    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

  • 深度图超分辨率的多尺度渐进融合学习

    本研究提出一种多尺度渐进融合网络方法来处理深度图像的超分辨率问题，该方法采用异态结构用于整合不同领域的层次特征，并引入多维损失函数来约束明确的边界和细节，大量实验证明该方法在定性和定量方面均产生了优于最先进方法的改进结果。

    Nov, 2020

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

    通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

    Apr, 2024

  • SGNet: 基于梯度频率感知的结构引导网络用于深度图超分辨率

    我们提出了结构引导网络 (SGNet)，该网络利用梯度和频率域捕捉高频结构，包括梯度校准模块 (GCM) 和频率感知模块 (FAM)，通过实验证明我们的 SGNet 在真实和合成数据集上具有优越性能。

    Dec, 2023