Feb, 2018

深度残差网络实现联合插值和超分辨率

PDF
TL;DR本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法，按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明，该方法优于目前的各种技术，并在定量和定性指标上取得了优异的表现。
发现论文，激发创造
  • 联合去马赛克与超分辨率（JDSR）：网络设计与感知优化

    该研究通过提出一个联合去马赛克和超分辨率算法，使用一种最新的端到端优化模型，基于 RDSEN 网络和 TRaGAN 对质量进行优化，证明了联合去马赛克和超分辨率方法的实用性和合理性，并在拍摄自 NASA 火星好奇号和标准数码照片上得到了显著改进。

    Nov, 2019

  • 级联卷积残差去噪网络实现深度图像去马赛克

    本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

    Mar, 2018

  • 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

  • 级联残差网络：高速、高精度、轻量级超分辨率

    本文提出一种准确且轻量的深度学习网络结构用于图像超分辨率问题，该网络结构采用级联机制并在残差网络上实现，实验证明即使使用较少的参数和运算，该模型的性能与最先进的方法相当。

    Mar, 2018

  • 超锐利：使用残差稠密网络进行单幅图像超分辨率研究

    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

  • 深度局部超分辨率：使用深度卷积神经网络学习深度超分辨率

    该研究提出了一种基于深度卷积神经网络的深度图像超分辨率方法，借鉴了深度场统计学和颜色 - 深度图像之间的局部相关性等先验知识，与当前最先进的深度图像超分辨率技术相比提升了很大的表现。

    Jul, 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

  • 利用残差降噪网络进行迭代式联合图像去马赛克和降噪

    本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

    Jul, 2018

  • 用于有效联合去马赛克 - 去噪的残差学习

    本文提出了一种优于当前最先进方法的图像去马赛克和降噪算法，该算法将传统的 CFA 处理流程中的处理顺序颠倒，首先进行图像去马赛克，然后进行降噪，避免了传统方法中的众多问题。算法利用卷积神经网络进行实现并具有处理高噪声的能力。

    Sep, 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