ECCVJul, 2018

利用非常深的残差通道注意力网络进行图像超分辨率

PDF
TL;DR通过使用残差通道注意力网络 (RCAN) 的残差内残差结构 (RIR) 和通道注意力机制，我们可以实现深度图像超分辨率，并在准确度和视觉效果上优于现有方法。
convolutional neural networkimage super-resolutionresidual channel attention networksrirchannel attention mechanism
发现论文，激发创造
  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 重访 RCAN：图像超分辨率的改进训练

    该论文重新审视优化 RCAN 模型的不同训练选项对图像超分辨率的影响，指出 RCAN 能够在标准基准上通过适当的训练策略和最小的体系结构修改优化，胜过或匹配几乎所有基于 CNN 的超分辨率架构。此外，该训练发现通过提高训练迭代次数明显提高了模型性能，而应用正则化技术通常会降低预测精度，同时推荐使用简化后的 RCAN 模型作为未来研究的基准模型。

    Jan, 2022

  • 使用深度卷积网络进行精确图像超分辨率

    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

  • 深度递归卷积神经网络图像超分辨率

    使用深度递归卷积神经网络的图像超分辨率方法，在递归深度增加时，不需要引入新的卷积参数，通过递归监督和跳过连接来缓解训练的困难，并在性能上显著优于之前的方法。

    Nov, 2015

  • 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

  • 图像超分辨率残差密集网络

    本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

    Feb, 2018

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    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

  • 基于轻量级残差卷积神经网络的单张图像超分辨率

    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

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 深度 CNN 中使用 Skip 连接和 NiN 网络的快速准确图像超分辨率

    使用深度卷积神经网络（Deep CNN）的单幅图像超分辨率（SISR）模型，包括残差网络、跳跃连接和网络中的网络（DCSCN），结合局部和全局特征提取器和并行 1x1 卷积神经网络实现了具有至少 10 倍较低计算成本的最好的图像重建性能，优化了每个 CNN 层和滤波器的数量，以显著降低计算成本。

    Jul, 2017