Aug, 2018

高效准确的图像超分辨率宽激活

PDF
TL;DR本文研究了超分辨率的残差网络中宽激活对性能的重要性，提出了 WDSR 模型，并证明其在大规模图像超分辨率基准测试中具有更好的准确性和效率，同时也在 2018 年 NTIRE 单图像超分辨率挑战中取得了好成绩。
super resolutionresidual networkwide activationweight normalizationlinear low-rank convolution
发现论文，激发创造
  • s-LWSR：超轻量级超分辨率网络

    通过建立信息池、使用压缩模块和去除激活层，本文提出了一个超轻量级的超分辨率网络 s-LWSR，以减少参数数量和操作次数，在保持性能的同时，在移动设备上部署 DL-SR 模型时具有明显的优势。

    Sep, 2019

  • 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

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 自适应加权学习网络轻量级图像超分辨率

    本研究提出了一种自适应加权超分辨率网络（AWSRN），其中包括局部融合块（LFB）和自适应加权多尺度（AWMS）模块，以提高超分辨率任务中的效率和性能。实验结果表明，AWSRN 取得了比当前最先进的方法更好的性能，并且具有轻便的特点。

    Apr, 2019

  • 用于超高效超分辨率的可折叠线性模块

    本文提出了一种基于线性过参数化的卷积神经网络的超高清图像重建模型，其在六个基准数据集上取得了类似或更好的图像质量，需要比现有模型少 2 倍至 330 倍的操作，适用于受限制的硬件并可用于实际移动设备上进行超高清图像重建。

    Mar, 2021

  • RepSR: 使用结构重参数化和批量归一化训练高效 VGG 风格的超分辨网络

    本文提出了基于结构重参数化技术训练高效的 VGG-style 超分辨率网络，并探讨了针对超分辨率网络的 BN 问题的解决方法以及设计了新的 RePSR 块，实验证明该方法可以在不同的模型大小下达到更高的性能和更好的性能和实际运行时间平衡。

    May, 2022

  • 图像超分辨率的迭代网络

    本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

    May, 2020

  • 基于渐进感知的单幅图像超分辨率网络

    本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

    Jul, 2019

  • 宽残差网络

    通过对 ResNet 模块架构的详细实验研究，本文提出了一种新的网络架构 —— 宽残差网络 (WRNs)，通过降低深度、增加宽度优化 ResNet 网络，证明其在准确度和效率上优于传统的浅而深层的残差网络模型，实现了在 CIFAR, SVHN, COCO 以及 ImageNet 等数据集上的准确度和效率的新突破。

    May, 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