基于膨胀卷积的多尺度信息学习 Inception 模块的单幅图像超分辨率
本论文提出了一种深度但紧凑的卷积神经网络,通过特征提取、信息提炼和重构网络三部分组成,使用带有增强单元和压缩单元的信息提炼块提取局部长短路径特征,具有快速执行的优点,实验结果表明其在超分辨率方面优于现有方法,特别是时间表现。
Mar, 2018
本文提出了一种特别为密集预测设计的新的卷积网络模块,该模块利用扩张卷积系统地汇集多尺度上下文信息,而不会丢失分辨率,并证明了该模块可以提高现有最先进的语义分割系统的精度。同时,作者还探究了将图像分类网络适应于密集预测的可能性,并提出了简化适应后的网络结构有助于提高精度。
Nov, 2015
本文提出了一种基于 DCNN 网络的端到端扩张 Inception 网络(DINet)用于实现视觉显著性预测,并使用一系列线性归一化的概率分布距离度量作为损失函数来推断全局显著性信息,从而将显著性预测转化为概率分布任务。实验结果表明,该方法可以在短时间内实现最先进的性能。
Apr, 2019
该论文提出了一种轻量级信息多蒸馏网络(IMDN),通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块(IMDB),并使用自适应裁剪策略(ACS)来处理任何大小的图像,实现任意比例的超分辨率,同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性,并将它们聚合起来。大量实验证明,该方法在视觉质量、内存占用和推理时间方面优于现有技术。
Sep, 2019
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
本文提出了使用 CNN 进行语义图像分割的体系结构,使用新的 “双边启发式” 模块解决了通用 CNN 分割结构中出现的两个问题,并在三个不同数据集上得到了可靠的改进。
Nov, 2015
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
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
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
本文提出了一种新的尺度卷积方式 ——scale-wise 卷积,并基于该方式构建了一个包含多尺度信息的神经网络模型,该模型在图像超分辨率、降噪和压缩伪影去除等图像恢复任务上均表现出色。
Dec, 2019