ECCVSep, 2018

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

PDF
TL;DR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。
super-resolutionquantitative qualityperceptual qualitydeep networkdiscriminator network
发现论文，激发创造
  • 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

  • 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

  • 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

    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。

    Sep, 2018

  • 感知导向的立体图像超分辨率

    该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

    Jul, 2022

  • 学习单图像超分辨率无参考质量评估指标

    本文通过对大量超分辨率图像进行人类主观研究，提出了一种基于视觉感知评分学习的无参考指标，使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化，并学习了一个两阶段回归模型，无需参考基准图像即可预测超分辨率图像的质量得分，实验证明这种指标可以有效、高效地评估超分辨率图像的质量。

    Dec, 2016

  • 基于学习的噪声图像保真超分辨率

    我们提出了一种学习方法，能够在保留图像特性的情况下，对带有噪声的低分辨率图像进行超分辨率处理。通过定量度量（如归一化交叉相关性、归一化均方误差、峰值信噪比、结构相似度特征相似度、通用图像质量等），我们训练网络提升低分辨率噪声图像的分辨率，同时保留其特性。实验结果表明，与现有的学习方法相比，我们的方法在不同噪声类型和上采样因子下，改善了噪声图像的高分辨率预测，并且超过了学习方法并与标准方法相媲美，保留了图像的轮廓、亮度和纹理，并减少了图像的伪影。

    Nov, 2023

  • 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

  • 使用 GAN 进行视频增强的超分辨率研究调查

    这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

    Dec, 2023

  • 像素递归超分辨率

    该论文提出了一个像素递归超分辨率模型，可综合提高图像的分辨率并增强其真实感；该模型能够表示多模态条件分布，使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络，保持了照片的真实感。

    Feb, 2017

  • 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