Dec, 2017

快速图像超分辨率的频域神经网络

PDF
TL;DR本文介绍了一种基于频域卷积定理的神经网络用于图像超分辨率，该网络采用 Hartley 变换作为替代傅里叶变换消除复数，具有很高的计算效率，并能适用于在计算机视觉和图像处理等其他领域中通常使用频域表示的问题。实验证明，该网络比文献中其他替代品的速度快 1 到 2 个数量级，性能损失微不足道。
image super-resolutionfrequency domain neural networkconvolution theoremcomputational efficiencyhartley transform
发现论文，激发创造
  • 频域学习

    通过在频域进行学习和频道选择，我们提出了减少冗余和显著信息以提高图像分类精度的学习方法，得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。

    Feb, 2020

  • 超分辨率的深入探究：一份综述

    比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络，提出了一种基于深度学习的超分辨率网络的分类方法，并提出了现有技术的几个缺点和未来研究方向。

    Apr, 2019

  • 用神经架构搜索实现快速、精确和轻量级的超分辨率处理

    使用神经架构搜索的多目标方法能够在以 FLOPS 为指标的量化实验中优于现有方法，以在资源受限条件下平衡模型的简单度和修复能力。

    Jan, 2019

  • 稀疏先验下用于图像超分辨率的深度神经网络

    本文针对图像超分辨率问题，提出一种结合传统稀疏编码模型和深度学习技术的神经网络模型，该模型在多种图像上已被证明在恢复精度和主观质量方面均优于目前现有的最先进方法。

    Jul, 2015

  • 神经网络实现的音频超分辨率

    该研究介绍了一种新的音频处理技术，利用深度卷积神经网络提高音频的采样率，通过类似于图像超分辨率的过程，在测试过程中预测低分辨率信号中缺失的样本。该方法在实验中无需专门的音频处理技术，能够表现出更好的表现，显示出其在电话、压缩和文本转语音生成中的实用性

    Aug, 2017

  • 图像超分辨率中的低通滤波行为探究

    本文探索了在图像超分辨率中，深度神经网络的行为的解释及分析方法，介绍了 `the sinc phenomenon' 现象以及提出的 Hybird Response Analysis (HyRA) 方法，并引入了一个用于图像任务的评估指标 Frequency Spectrum Distribution Similarity (FSDS)。

    May, 2024

  • 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

  • 随机频率屏蔽以提高超分辨率和去噪网络

    本文探讨超分辨率和降噪问题中的盲问题，提出优化方法，使用随机频率掩蔽网络调节，以达到还原图像并提高性能。

    Mar, 2020

  • 多尺度扩散频域精化超分辨率

    提出了一种新颖的基于频域引导的多尺度扩散模型（FDDiff），该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤，使用小波包频域链提供多尺度的中间目标，以逐步补充缺失的高频细节，并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分，通过对流模型在图像超分辨率任务中生成高质量图像，并在广泛的评估中展示了其优于先前的生成方法的结果。

    May, 2024

  • 大感受野网络用于高比例图像超分辨率

    提出了 Large Receptive Field Networks，它可以扩展超分辨率网络的感受野，同时不增加深度或参数计数，通过实验证明该方法在提高准确率（PSNR / SSIM），减少参数计数和提高速度方面具有有效性。

    Apr, 2018