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
该研究提出了一种双重回归方案,通过从低分辨率图像到高分辨率图像的映射和从低分辨率图像估计唯一的下采样核并重建低分辨率图像的过程来降低可能函数的空间,从而提高图像超分辨率任务中的性能。
Mar, 2020
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
本研究提出了一种基于多任务学习的框架,通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留,其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。
Jul, 2017
本文提出一种深度学习方法用于图像超分辨率,采用卷积神经网络直接将低分辨率图片转换为高分辨率图片,能够实现较快的速度和超强的恢复质量,扩展支持三种颜色通道同时处理。
Dec, 2014
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
该论文研究了使用深度神经网络进行图像超分辨率(SR)的任务,并且提出了一种双重回归学习方案和轻量级双重回归压缩方法,以解决 SR 映射空间极大和模型冗余的问题。
Jul, 2022
本文综述了近年来深度学习在图像超分辨率中的广泛应用,重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题,并提出了未来需要进一步研究的方向和问题。
Feb, 2019
该研究使用 Residual Dense Networks(RDN)架构并分析了其组件的重要性,通过利用原始低分辨率(LR)图像的分层特征,该架构实现了卓越的性能,具有四个主要块,包括作为核心的残留密集块(RDB),并通过使用各种损失指标的研究和分析评估了体系结构的有效性,将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 2023
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