ECCVSep, 2018

多尺度递归与感知失真可控的图像超分辨率

PDF
TL;DR通过修改 MGCP 结构为一个生成系统，加入具有控制输出细节的输入参数，提出了一个具有新颖特性的鉴别器 —— 多尺度、递归和包含一个新层以捕获自然影像的显著特征统计，并采用一种训练策略以避免重建和感知损失之间的冲突，成功在 PIRM 超分辨率挑战中取得 2nd、5th、7th 的好成绩，这在用了 281k 个参数和平均 0.2s 的处理时间之内完成功能。
super-resolutiongenerative systemdiscriminatoradversarial trainingperceptual losses
发现论文，激发创造
  • MGBPv2：多重网格反投影网络的扩展

    使用第二代 MultiGrid BackProjection 网络 (MGBPv2) 来解决 AIM-2019 极致超分辨率挑战，通过结合多重网格算法和迭代反向投影，使该系统可扩展和更普适，采用多尺度损失训练策略以及重叠块方法进行推断任务，最终实现解决高品质和高性能之间的平衡。

    Sep, 2019

  • 多重网格反投影超分辨率与深度滤波器可视化

    本文介绍了一种基于深度学习的图像放大方法，采用逐层递进的递归算法和迭代反向投影算法 (IBP) 对低分辨率图像进行放大处理，然后通过卷积网络的特征提取过程进行修正，使得该方法在较少参数的情况下能够达到最先进的效果。

    Sep, 2018

  • 用于感知图像超分辨率的 Bi-GANs-ST

    本文介绍了一种通过深度学习框架 Bi-GANs-ST 结合两种生成对抗网络，分别注重客观性能和主观感知的权重感知 SRGAN 和记忆残留 SRGAN，再使用软阈值法合并两个模型的结果从而实现在感知指标和均方根误差之间平衡的超分辨率图像生成方法。实验结果表明，该方法在 PIRM 2018 挑战赛的感知超分辨率任务上表现良好，且在五个基准测试数据集上都具有高度竞争性的性能。

    Nov, 2018

  • 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

  • 全面渐进式的单图像超分辨率方法

    通过渐进式训练和学习流程，使用生成式对抗网络的方法逐步提升图像的超分辨率，该方法的重点在于其多尺度的设计，能够在高放大因子下有更好的表现。

    Apr, 2018

  • 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

  • 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

  • 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

  • 2018 年感知图像超分辨率 PIRM 挑战赛

    这篇论文报告了 2018 年 PIRM 挑战赛，其中 21 个参赛团队提出的算法都取得了较好的结果，同时对流行的图像质量测量方法进行了分析和结论，并总结了当前超分辨率的趋势。

    Sep, 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