小波域超分辨率下基于团结构的子带联合学习
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
本文提出一种卷积神经网络,该网络的特征图在低分辨率空间中提取,使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出,从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器,同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明,它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多,并且速度快了一个数量级。
Sep, 2016
提出了一种新的神经网络,基于 WaveMix 架构,用于图像超分辨率,不同于基于 transformer 的模型,WaveMixSR 使用离散小波变换进行空间令牌混合,可以在更少的资源和训练数据的情况下实现更高的性能,同时保持较高的参数效率。
Jul, 2023
本研究提出了一种基于多任务学习的框架,通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留,其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。
Jul, 2017
本研究致力于加速 Super-Resolution Convolutional Neural Network,并提出了一个紧凑的 hourglass-shape CNN 结构,以实现更快,更好的图像超分辨率,通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层,实现了超过 40 倍的速度提升和优越的恢复质量。
Aug, 2016
本文提出了 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤,从而大大减少了计算复杂度,并使用鲁棒的 Charbonnier 损失函数进行深度监督训练,取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测,从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明,所提出的算法在速度和准确性方面优于现有技术方法。
Apr, 2017
该论文提出了一种将小波变换与 CNN 融合的方法,通过 DWT/IDWT 层将特征图分成低频和高频两部分来提高 CNN 对噪声和对抗性攻击的鲁棒性,并在 COCO 检测数据集上不断提高 object detectors 性能的实验结果表明,该方法可以有效提升 CNN 的训练速度和精度。
Jul, 2021
本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN,该方法使用极小的网络参数达到了良好的效果,并使用一种新颖的蒸馏框架,通过教师和学生网络进行高分辨率的重建,大大提升了网络性能。
Jul, 2020
该研究提出了一种学习统一框架下的一组 SR 预测模块的方法,这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率,相比其他方法在广泛范围内实现了最先进的恢复效果。
Jan, 2017
本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络(SHISRCNet),该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌,具有较高的诊断准确度。
Jun, 2023