通过深度空间特征转换在图像超分辨率中恢复逼真纹理
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
通过通道和空间特征调制,本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络,该网络能够加强高贡献信息和抑制冗余信息,同时通过门控融合节点适应性地融合分层特征,使得模型在图像超分辨率上比现有技术更优秀。
Sep, 2018
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
该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法,利用卷积神经网络实现前馈学习与对抗训练相结合,取得了高效、有效的成果。
Dec, 2016
本文提出了一种基于注意机制的纹理转换神经网络(TTSR),采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块,并且结合 LR 和 Ref 图像进行联合特征学习,从而实现图像的纹理恢复。经过广泛实验,TTSR 在定量和定性评估上都取得了显著改进。
Jun, 2020
该论文提出了一种有效的三维卷积神经网络 3DSRnet,用于视频超分辨率,通过利用空时相干性来提高预测高分辨率帧的准确性,而且在不需要预处理的情况下优于最先进的方法,提出了一种新的处理场景变化的方法。
Dec, 2018
提出了基于 SRWarp 框架的单图超分辨率方法,能够在任意目标分辨率下进行图像变换,通过自适应变形层和多尺度混合等新颖公式,实现灵活和多样化的图像编辑。
Apr, 2021
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
提出了一种基于空间特征变换的通用深度图像压缩网络,可以使用单个模型进行广泛的压缩率,允许任务感知图像压缩并通过优化的质量地图实现任务特定的质量要求。
Aug, 2021
本研究提出了一种基于多任务学习的框架,通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留,其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。
Jul, 2017