ECCVSep, 2018

ESRGAN：增强型超分辨率生成对抗网络

PDF
TL;DR该研究通过提出 ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。
super-resolution generative adversarial networkvisual quality enhancementresidual-in-residual dense blockrelativistic ganperceptual loss improvement
发现论文，激发创造
  • ESRGAN+：改进的增强超分辨率生成对抗网络

    该研究提出了 Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) 模型，采用感知驱动的方式进行单幅图像超分辨率处理，引入了新颖的模块和噪声输入方法以进一步改善图像的感知质量和纹理特征。

    Jan, 2020

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 使用密集连接残差网络进行单幅图像超分辨率的双重重建

    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

  • SR-GAN 模型的比较分析

    评估多个最新的 SR GAN 模型（超分辨率生成对抗网络），包括 ESRGAN、Real-ESRGAN 和 EDSR，在经过流程处理的现实世界图像基准数据集上的性能，结果表明某些模型能够显著提高图像分辨率同时保留其视觉质量，使用 Tesserect OCR 引擎进行评估，其中 EDSR 模型在定量指标和主观视觉质量评估上优于其他模型，具有最少的计算开销，并且生成的图像具有更高的峰值信噪比（PSNR）和结构相似性指数（SSIM）值，通过 Tesseract OCR 引擎返回高质量的 OCR 结果，这些发现表明 EDSR 是一种稳健有效的单图像超分辨率方法，特别适用于对高质量视觉保真度至关重要且经过优化计算的应用。

    Jul, 2023

  • Real-ESRGAN: 使用纯合成数据进行实际世界盲超分辨率训练

    本研究将 ESRGAN 应用于实际的纹理恢复应用中，在处理复杂的真实世界退化图像时，引入高阶退化建模过程，并考虑到常见的环绕和过冲伪影，采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学， 并提供了实时生成训练样本的高效实现。

    Jul, 2021

  • 针对 3D 脑部 MRI 超分辨率的增强生成对抗网络

    该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR，并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理，并提出了一种新颖的解剖学保真度评估方法，这些开发通过一种简单，高效的方法结合起来，以实现影像和质地质量之间的平衡。

    Jul, 2019

  • 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

  • StarSRGAN: 提高实际世界中的盲目超分辨率

    StarSRGAN 是一种用于盲超分辨率任务的 GAN 模型，通过实验比较与 Real-ESRGAN，提供了新的最先进性能，MANIQA 和 AHIQ 度量方面大约提高了 10%；另外，StarSRGAN Lite 是一种紧凑版模型，提供了大约 7.5 倍更快的重建速度，但仍能保持近 90% 的图像质量，从而有助于未来研究中开发实时超分辨率体验。

    Jul, 2023

  • 基于端到端边缘增强 GAN 和物体检测器网络的遥感图像小目标检测

    本文介绍了基于 EESRGAN 的远程感知图像增强方法和在端到端上使用检测网络来提高小目标检测性能的模型，实验结果表明，与现有最先进的物体检测器相比，该方法在公共和自组装数据集上均表现出优越的性能。

    Mar, 2020

  • 使用 3D 生成对抗网络实现脑部 MRI 超分辨率

    该研究使用对抗学习方法，采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像，结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量，并在上采样阶段探索不同的解决方案，具有潜在的 3D 医学成像超分辨率应用价值。

    Dec, 2018