Sep, 2018

单幅图像超分辨率的通道和空间特征调制网络

PDF
TL;DR通过通道和空间特征调制，本文提出了一种利用序列化特征调制存储器单元及密集连接结构将低分辨率特征转换为高信息特征的网络，该网络能够加强高贡献信息和抑制冗余信息，同时通过门控融合节点适应性地融合分层特征，使得模型在图像超分辨率上比现有技术更优秀。
single-image super-resolutiondeep convolutional neural networksinformation modulationchannel-wise attentionspatial attention
发现论文，激发创造
  • 遥感图像超分辨率的高级特征提取模块

    提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块，通过使用通道和空间注意力结合标准视觉变换器 (ViT)，有效提取特征；在 UCMerced 数据集上进行了训练，实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置，从而提高超分辨率图像的质量，并且相较于现有模型，我们的模型表现出更优秀的性能。

    May, 2024

  • MAMNet：基于多路径自适应调制的图像超分辨率网络

    本文提出了一种新型的多路径自适应调制网络（MAMNet）来解决图像超分辨率问题，该网络可以更好地适应不同类型图像的特征，相比其他特征调制方法，具有更好的性能和参数效率，并在实验中表现出超过大部分最先进方法的性能。

    Nov, 2018

  • 通过深度空间特征转换在图像超分辨率中恢复逼真纹理

    本文提出一种基于语义分割概率图的空间特征变换（SFT）层，能有效恢复语义类匹配的纹理特征，使得卷积神经网络（CNN）进行单图像超分辨率（SR）重建更具真实性和视觉感受性。

    Apr, 2018

  • 单图像超分辨率轻量级特征融合网络

    该研究提出一种轻量级特征融合网络 (LFFN)，利用主轴块和 softmax 特征融合模块 (SFFM) 来实现全面探索多尺度上下文信息、极大地降低网络参数而最大化单幅图像超分辨率 (SISR) 结果。

    Feb, 2019

  • 基于整体注意力网络的单幅图像超分辨率

    本研究旨在解决单张图像超分辨率任务中，通道注意力对不同图层之间相关性的忽视问题，为此，提出了一种新的整体注意力网络（HAN），其中包括层注意力模块（LAM）和通道 - 空间注意力模块（CSAM），它们旨在模拟层、通道、位置的整体依赖关系，以更好地保留信息丰富的特征，并通过广泛实验，取得了较好的效果。

    Aug, 2020

  • 单张磁共振图像超分辨率的通道分离网络

    本研究提出了利用通道分割网络（CSN）来缓解深度学习模型的表达负担，从而提高医学磁共振图像的空间分辨率。在各种磁共振图像（包括质子密度（PD）、T1 和 T2）上进行了广泛的实验，证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先进的方法具有更出色的性能。

    Oct, 2018

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 3DSRnet：使用 3D 卷积神经网络进行视频超分辨率处理

    该论文提出了一种有效的三维卷积神经网络 3DSRnet，用于视频超分辨率，通过利用空时相干性来提高预测高分辨率帧的准确性，而且在不需要预处理的情况下优于最先进的方法，提出了一种新的处理场景变化的方法。

    Dec, 2018

  • 图像超分辨率的门控多反馈网络

    通过引入多个反馈连接和深度残差网络，本文提出了一个基于深度学习的图像超分辨率方法，可以有效地使用多个高层特征，提高低层特征的上下文信息。实验证明，这种方法在定量和定性的评估中都优于现有的超分辨率方法。

    Jul, 2019

  • 基于深度 CNN 的毫米波大规模 MIMO 系统信道估计

    本文探讨了深度 CNN 在厘米波 massive MIMO 系统的信道估计中的应用，提出了精简空间频率 CNN、空间频率时间 CNN 和减少空间导频开销 CNN，通过数值结果验证了 CNN 可以在降低复杂度的同时提高估计准确性的结论。

    Apr, 2019