Sep, 2018

无监督图像超分辨率使用循环对抗网络

PDF
TL;DR本文提出了一种无监督学习的方法，利用生成对抗网络和 Cycle-in-Cycle 网络结构，通过映射、上采样和微调等三个步骤，将带有噪声和模糊的低分辨率图片转换为高分辨率图片，并在 NTIRE2018 数据集上取得了与有监督模型相当的效果。
single image super-resolutionunsupervised learninggenerative adversarial networkscycle-in-cycle network structuredeep model
发现论文，激发创造
  • 使用 GAN 学习图像超分辨率，先学习如何进行图像退化

    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

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • 面向实际超分辨率的无监督学习

    该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超分辨率网络的泛化性。

    Sep, 2019

  • 使用伪监督的无配对图像超分辨率

    本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

    Feb, 2020

  • 单图像超分辨率的无监督退化学习

    本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

    Dec, 2018

  • 生成变分自编码器无监督真实图像超分辨率

    本文提出了基于生成模型的感知图像超分辨率方法，结合变分自编码器实现了联合降噪和超分辨率，使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率，并通过实验验证了该方法的有效性。

    Apr, 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

  • 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

  • 利用循环一致性的对抗训练进行内窥镜无监督超分辨率

    本研究提出了一个基于对抗深度神经网络的无监督超分辨率（SR）框架，旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率（HR）图像将其质量传递到起始低分辨率（LR）图像中，从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。

    Jan, 2019

  • 堆叠循环一致性对抗网络的无监督图像对图像翻译

    通过将单一翻译分解为多阶段变换并开发一种自适应融合块，我们提出了新颖的堆叠循环一致性对抗网络（SCANs），以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。

    Jul, 2018