Dec, 2018

单图像超分辨率的无监督退化学习

PDF
TL;DR本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。
deep convolution neural networkssingle image super-resolutionreal-world lr imagesdegradation processunsupervised training
发现论文，激发创造
  • 学习单个卷积超分辨率网络以处理多种降质

    我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

    Dec, 2017

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    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

  • 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

  • 闭环问题：用双回归网络实现单幅图像超分辨率

    该研究提出了一种双重回归方案，通过从低分辨率图像到高分辨率图像的映射和从低分辨率图像估计唯一的下采样核并重建低分辨率图像的过程来降低可能函数的空间，从而提高图像超分辨率任务中的性能。

    Mar, 2020

  • 使用伪监督的无配对图像超分辨率

    本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

    Feb, 2020

  • 无监督降质表示学习用于盲超分辨率

    本文提出了一种无监督的降噪表征学习方案和一种 Degradation-Aware SR（DASR）网络，该方案可以区分表征空间中的各种降级，并通过学习提取判别性表征来获得准确的降级信息，在合成和真实图像上的实验结果表明了该方法的优越表现。

    Apr, 2021

  • 将退化预测与高性能超分辨率网络相结合的框架

    本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架，通过在 SR 网络特征映射中插入预测向量的元数据插入块，我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果，实现了比非盲和盲超分辨率网络更强大的超分辨率性能。

    Nov, 2022

  • 基于上下文化多任务学习的结构保持图像超分辨率

    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

  • 基于对比表示学习的盲目图像超分辨率

    设计了一种名为 CRL-SR 的网络进行盲超分辨率重建，可以有效应对多模式、空间变量和未知分布的图像降质，其应用了对比度表示学习和对比度特征强化两种策略，并在实验中验证了其在超分辨率重建上的优越性。

    Jul, 2021