比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络,提出了一种基于深度学习的超分辨率网络的分类方法,并提出了现有技术的几个缺点和未来研究方向。
Apr, 2019
提出了一种基于 Hierarchical Neural Architecture Search (HNAS) 的方法来自动设计计算成本不同的高级 SR 架构,同时考虑性能与计算成本来指导搜索过程,实验表明该方法在性能上优于现有方法。
Mar, 2020
本文提出了一种新型的深度卷积神经网络,该网络使用内部先验来适应低分辨率图像的内部内容,并分析了其优点和缺点,在运行时间和使用内部先验的情况下,在标准数据集上比最佳结果提高了 0.1 至 0.3dB 的 PSNR,特别适合于具有重复结构或大分辨率下的图像。
Mar, 2017
本文提出一种准确且轻量的深度学习网络结构用于图像超分辨率问题,该网络结构采用级联机制并在残差网络上实现,实验证明即使使用较少的参数和运算,该模型的性能与最先进的方法相当。
Mar, 2018
针对移动设备中深度学习在单图像超分辨率中存在的计算和内存消耗问题,我们提出了一种高效的残差稠密块搜索算法,以寻找快速、轻便和准确的超分辨网络,通过演化算法自动搜索池化和上采样操作,通过块信用来指导进化,实验证明该方法有效,找到的超分辨模型在参数和 FLOPs 有限的情况下比现有技术更优越。
Sep, 2019
本文提出了一种神经架构搜索方法,将神经架构搜索和生成对抗网络与最近的感知超分辨率相结合,将小型感知超分辨率模型的效率推向极致,适用于末端设备。该方法搜索生成器和鉴别器的结构,优于现有方法,可以让感知 SR 模型比 SRGAN 快 26.4 倍,同时保持较高的质量。
Jul, 2020
本文提出了一种新颖的三层神经架构搜索方法,通过使用新的 sparsestmax 技术和排序技术,使得搜索过程更加高效,可同时进行搜索和训练,从而达到更好的性能表现,并在基准数据集上的综合评估显示本方法在模型大小、性能和效率之间达到了良好的平衡,并取得了明显的超越。
Jan, 2021
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
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
本研究旨在扩展残差网络的优点,如快速训练,用于低级视觉问题,即单个图像超分辨率,通过引入跳跃连接和逐渐改变网络形状的策略,该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果,并产生了视觉上令人愉悦的结果。