联合图像去模糊和超分辨率的门控融合网络
本文提出了基于模糊内核建模方法的深度卷积神经网络模型,用于解决视频超分辨率问题,该模型包括运动模糊估计、运动估计和潜在图像恢复模块,实验证明该算法能够生成结构更清晰、细节更好的图像,并且性能优于当前先进的方法。
Mar, 2020
本研究提出了使用深度神经网络结构 DeblurRNN 和 DeblurMerger 分别以序列和并行的方式利用成对图像中的噪声 / 模糊信息进行去模糊。使用梯度损失、对抗损失和谱归一化来提高训练。经过对合成数据集 GOPRO 和真实图像对的评估,结果表明所提出的方法在定性和定量上均优于现有技术。
Nov, 2019
本文提出在改进的生成对抗网络超分辨率模型中,添加更多的快捷连接以便于更快地反向传播梯度信息,进而通过像素距离、对抗性损失和感知损失等多重因素训练提高细节和质量,最终得到更高分辨率的图像。并验证了在实际图像超分辨率挑战中具有卓越性能,提高了图像重建的质量。
Nov, 2019
本文提出一种盲图像超分辨率的新方法,使用重新构建的退化模型和两个新模块,通过对内核估计和内核基于高分辨率图像恢复的改进,实现更好的准确性和视觉改进,并在多个基准测试中进行了验证。
Feb, 2022
本文提出一种可微分的重新模糊模型,支持自我监督的运动去模糊,通过利用从连续图像中获取的运动线索,将去模糊问题突破为反渲染问题,包括使用卷积神经网络和真实数据集进行实验,并证明单幅图像自我监督去模糊是可行的,能够实现视觉上令人满意的结果。
Feb, 2020
本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题,通过反映物理成像过程,我们提出了一个成本最小化问题,并使用交替优化技术来解决它,实验结果表明,我们的提出方法在合成和现实视频中均得到高质量的深度图,同时还产生了优秀的去模糊和超分辨率图像。
Sep, 2017
本文提出了一种基于生成对抗网络的图像和人脸超分辨率的方法,通过训练高分辨率到低分辨率的 GAN 和低分辨率到高分辨率的 GAN 两个阶段,可以有效地提高实际应用场景下的低分辨率图像的质量,进而在人脸超分辨率领域取得了显著成果。
Jul, 2018
本文介绍了一个称为 “SRN-DeblurNet” 的规模递归网络,该方法使用金字塔不同分辨率的 “粗到细” 方法逐步恢复锐化图像,在大规模模糊数据集上进行评估,结果显示我们的方法比现有方法在定量和定性上的呈现更好。
Feb, 2018
本篇论文提出了一种简单有效的基于像素替换的图像超分辨率算法,该算法使用深度神经网络估计中间高分辨率图像,并通过从低分辨率图像替换像素值来满足图像形成模型,并进行级联细化。实验结果显示,所提出的算法在图像超分辨率方面的性能优于现有的同类算法。
Aug, 2019
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。
Feb, 2018