本文提出了一种基于多任务学习和条件性目标实现调节损失权值的单个可调节超分辨率模型,通过一组权重定义为样式控制器来优化超分辨率模型,并在 Residual-in-Residual Dense Block 上装备空间特征转换层来适应目标。实验表明,该模型能在条件控制下生成不同的超分辨率图像,并且输出质量优秀,性能优于现有的超分辨率方法。
Jan, 2022
通过集成可学习的特征匹配和非局部特征学习方法,在超分辨率图像恢复中改善了卷积神经网络的表达能力,进一步提高了性能。
May, 2024
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
本文提出了基于结构重参数化技术训练高效的 VGG-style 超分辨率网络,并探讨了针对超分辨率网络的 BN 问题的解决方法以及设计了新的 RePSR 块,实验证明该方法可以在不同的模型大小下达到更高的性能和更好的性能和实际运行时间平衡。
May, 2022
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
本文提出了一种新颖的风格规范化和恢复模块(SNR),通过进行实例规范化来过滤出样式变化,并从残差中提取任务相关的判别特征,保证了网络的高可区分性,同时在分类、语义分割和目标检测等计算机视觉任务中验证了 SNR 的有效性。
Jan, 2021
该研究使用语义信息建立了 “语义区域关系模型”(SRRM),并将其与 PlacesCNN 模块相结合,在 MIT Indoor 67,reduced Places365 数据集和 SUN RGB-D 等数据集上展示了显著的性能优势。
May, 2023
本文提出了一种新的基于 Classification 和 SR 模块的解决方案管道 (ClassSR),可以在处理大型图像时加速超分辨率 (SR) 网络,通过分类不同的子图像并选择不同的 SR 网络对其进行处理,实现了分类和超分辨率的统一框架,并且通过两个损失方法,Class-Loss 和 Average-Loss,使得大多数子图像可以通过更小的网络,从而大大减少了计算成本,该方法在低级别视觉任务中也有应用前景。
Mar, 2021
本文介绍了一种基于 U-Net 模型结构并采用选择性核和残差块来实现多尺度语义信息丰富的盲实际图像降噪网络(SRMNet),在两个合成和两个真实噪声数据集上具有竞争性的性能结果。
Mar, 2022
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