CVPRApr, 2017

用于快速和准确超分辨率的深度拉普拉斯金字塔网络

PDF
TL;DR本文提出了 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤，从而大大减少了计算复杂度，并使用鲁棒的 Charbonnier 损失函数进行深度监督训练，取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测，从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明，所提出的算法在速度和准确性方面优于现有技术方法。
convolutional neural networkslaplacian pyramid super-resolution networksub-band residualstransposed convolutionscharbonnier loss function
发现论文，激发创造
  • 深度拉普拉斯金字塔网络实现快速准确图像超分辨率

    本文提出了一种深度 Laplacian 金字塔超分辨率网络，通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构，实现了较高的图像质量和运行时间。

    Oct, 2017

  • 密集残差拉普拉斯超分辨率

    介绍了一种基于 Residual Laplacian Network 的超分辨率算法，利用多尺度特征，并实现了深度监督学习和 Laplacian attention 机制， 在低分辨率，噪声低分辨率和真实历史图像基准数据集上得到了较好的视觉和准确性表现。

    Jun, 2019

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    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

  • 使用高效子像素卷积神经网络的实时单图像和视频超分辨率

    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

  • 深度卷积网络图像超分辨率

    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

  • 深度递归卷积神经网络图像超分辨率

    使用深度递归卷积神经网络的图像超分辨率方法，在递归深度增加时，不需要引入新的卷积参数，通过递归监督和跳过连接来缓解训练的困难，并在性能上显著优于之前的方法。

    Nov, 2015

  • LAPRAN：一种可扩展的拉普拉斯金字塔重建对抗网络，用于灵活的压缩感知重建

    本文提出了一个可扩展的拉普拉斯金字塔重构对抗网络（LAPRAN）来解决单幅图像压缩感知与重建问题，使用拉普拉斯金字塔的概念通过多个重建对抗网络的阶段逐步重建图像，每个金字塔层次中使用上下文潜在向量将压缩感知测量融合以生成高频图像残差，实现了自适应于多种压缩比的高保真、灵活和快速的压缩感知图像重建。

    Jul, 2018

  • 使用深度卷积网络进行精确图像超分辨率

    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

  • 加速超分辨率卷积神经网络

    本研究致力于加速 Super-Resolution Convolutional Neural Network，并提出了一个紧凑的 hourglass-shape CNN 结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过 40 倍的速度提升和优越的恢复质量。

    Aug, 2016

  • 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