任务驱动超分辨率:低分辨率图像中的目标检测
本文提出了一种名为 SR4IR 的图像超分辨率增强方法,通过引导生成助于实现低分辨率图像处理时的满意图像识别性能的超分辨率图像。该方法使用了任务驱动感知损失来帮助超分辨率网络从专门为特定任务定制的网络中获取任务特定的知识,并通过交叉质量补丁混合和交替训练框架显著增强了任务驱动感知损失的效果。通过广泛的实验,证明了 SR4IR 在语义分割、目标检测和图像分类等特定图像识别任务中取得了出色的任务性能。
Apr, 2024
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
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
通过使用超分辨率技术,提高卫星图像的分辨率并进行车辆、飞机和船只的识别,发现在 30cm 的分辨率下,与将原生 30cm 图像进行 15cm 超分辨率相比,mAP 可以提高 13-36%。
Dec, 2018
为解决深度人脸检测在低分辨率人脸检测中的性能问题,本文提出了一种新的高效检测器 EfficientSRFace,引入了特征级超分辨率重建网络,并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。
Jun, 2023
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
本文提出了一种基于多任务学习和条件性目标实现调节损失权值的单个可调节超分辨率模型,通过一组权重定义为样式控制器来优化超分辨率模型,并在 Residual-in-Residual Dense Block 上装备空间特征转换层来适应目标。实验表明,该模型能在条件控制下生成不同的超分辨率图像,并且输出质量优秀,性能优于现有的超分辨率方法。
Jan, 2022
本研究通过实验研究发现,训练数据对超分辨率重建性能有很大影响,特别是对于卫星图像,而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法,因此,改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。
Jun, 2019
这篇论文系统地回顾了最近盲目图像超分辨率的研究进展,提出了一个分类法以区分现有的方法,并对常用数据集和以前的比赛进行了总结。同时,通过对合成和真实测试图像的详细分析,对不同方法的优缺点进行了比较。
Jul, 2021
超分辨率 (SR) 和伪装物体检测 (COD) 是计算机视觉领域中的两个热门主题,本文首次进行了这两个领域的综合比较评估,基于常用的 COD 数据集对不同的超分辨率方法进行基准测试,同时通过使用 SR 方法处理的 COD 数据评估不同的 COD 模型的鲁棒性,旨在构建这两个领域之间的连接,发现新的实验现象,并总结新的实验结果。
Aug, 2023