ECCVSep, 2018

基于生成对抗网络的图像超分辨率技术研究：以感知内容损失为依据

PDF
TL;DR本论文提出了一种深度生成对抗网络用于超分辨率，考虑了感知与失真之间的权衡，采用传统内容损失的基础上，使用离散余弦变换系数损失和差分内容损失来考虑内容感知，实现高分辨率图像的恢复。实验结果表明该模型在恢复图像的视觉效果和失真程度方面具有良好的性能，是一种有效的感知超分辨率应用算法。
发现论文，激发创造
  • 利用增强感知超分辨率网络分析感知 - 失真权衡

    本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

    Nov, 2018

  • 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

  • 用于实时风格转换和超分辨率的感知损失

    该研究探讨了一种使用感知损失函数训练卷积神经网络进行图像转换任务的方法，在图像风格迁移和单一图像超分辨率方面获得了较好的实验结果。

    Mar, 2016

  • 感知视频超分辨率增强时间连续性

    本文介绍了一种基于循环对抗网络的视频放大方法，利用感知损失函数来实现高质量和时域一致性的视频放大。

    Jul, 2018

  • 基于流形和感知损失的强鲁棒性超分辨率 GAN

    该研究提出了一种新的损失函数，它对临床训练数据集的缺失更为稳健，并应用到使用深度神经网络进行超分辨率图像处理领域中。通过自动编码器进行流形距离，使超分辨率图像与高分辨率图像保持相似的纹理内容，达到匹配人类对结构、亮度和对比度的感知效果。作者在大规模临床数据集上进行了实验验证，并将其与现有技术进行了比较。

    Mar, 2019

  • 基于深度学习的图像超分辨率方法考虑了量化和知觉质量

    本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系，并提出了一种新的超分辨率方法，该方法结合深度网络、鉴别器网络和两个定量评分预测器网络，可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明，所提出的方法在量化和感知质量之间取得了良好的平衡，比现有方法更令人满意。

    Sep, 2018

  • SRPGAN：单图像超分辨率视觉生成对抗网络

    本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

    Dec, 2017

  • 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

  • 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

  • 学习多个概率退化生成器实现无监督真实世界图像超分辨率

    本研究提出一种概率降级生成器，用于训练无监督真实场景超分辨率模型，并通过使用多个生成器和协作学习来提高模型性能和稳健性，相关方法在基准数据集上表现出优异的性能。

    Jan, 2022