CVPRMay, 2019

远距学习，学以致远

PDF
TL;DR通过使用真实的 RAW 传感器数据进行训练，本文表明将机器学习应用于数码变焦较为有利。作者们还展示了如何通过光学变焦图像获取高准确度的真实高分辨率图像用于训练深度神经网络，并提出了一种新的上下文双边损失（CoBi）算法，使得训练出的网络在 4 倍和 8 倍的计算缩放中实现了最佳性能。
machine learningdigital zoomraw sensor dataground truth datacontextual bilateral loss
发现论文，激发创造
  • 使用原始图像实现真实场景超分辨率

    为了解决超分辨率图像恢复在真实场景中的局限性，本文提出了新的数据生成管道来模拟数字相机的成像过程，并使用双卷积神经网络以及学习空间变异的颜色转换来处理原始数据，实验结果表明，在真实场景中，使用原始数据进行超分辨率图像恢复可以更好地恢复细节和清晰的结构。

    May, 2019

  • 放大放大：进一步发展遥感超分辨率

    该论文提出了一种针对超分辨率的新度量标准 CLIPScore，并使用该标准在多个数据集上评估了四种标准方法，发现生成对抗网络在语义准确性上优于传统的 L2 损失模型和现代扩散模型，同时将 CLIPScore 作为辅助损失可加快 GANs 的训练速度 18 倍，并改进输出结果，从而在世界各地的多样地理环境中得到有效的模型。

    Nov, 2023

  • 基于自监督学习的双重变焦观察下的实际场景超分辨率

    本文提出了新的自监督学习方法 (SelfDZSR)，用于从采用双倍相机变焦观察的真实世界图像中进行超分辨率重建，并以高分辨率图像为监督信息，以匹配其低分辨率版本的特征。

    Mar, 2022

  • 自我监督学习用于来自双重和多重放大观测的实际世界超分辨率

    在这篇论文中，我们针对智能手机的参考图像超分辨率（RefSR）处理中的两个挑战性问题进行了研究，即如何选择适当的参考图像和如何以自监督的方式学习 RefSR。同时，我们提出了一种针对真实场景下的 RefSR 的自监督学习方法，通过观察双重和多重摄像头放大的图像。我们的方法在实验中表现出更好的定量和定性性能，并提供了可用的代码。

    May, 2024

  • BSRAW：提升盲目 RAW 图像超分辨率

    通过直接处理原始图像，设计了一个适用于训练原始传感器数据模型的逼真退化管道，以实现在原始领域盲目图像超分辨率，并提出了一个新的数据集和基准

    Dec, 2023

  • 相机镜头超分辨率

    研究了基于摄像头镜头的 CameraSR 方法，旨在改善实际成像系统中分辨率（R）和视野范围（V）之间的固有平衡问题，并提出了两种新的数据采集策略， City100 数据集表明， CameraSR 具有提高单图超分辨率性能的实际解决方案，并且可以快速推广到不同的内容和设备上作为实现数字变焦的高级工具。

    Apr, 2019

  • 基于时空耦合的实时视频 Zoom 增强

    本文研究将真实多帧片段应用于超分辨率以提高缩放质量，并在可称为 Spatio-Temporal Coupling Loss 的损失函数中提出更好地利用配对和相邻帧信息的特征级别的空时信息耦合途径，以整合现有 SR 模型中的真实世界视频数据集和 STCL 以获取优越的实验结果。

    Jun, 2023

  • 通过逼真地建模双像素数据来学习减少焦外模糊

    该研究提出一种通过合成数据生成具有现实意义的双像素数据，用于提升基于双像素数据捕获的单幅或多幅相机图像去模糊的结果，在视频去模糊的应用中具有广泛前景。

    Dec, 2020

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • Zoom 是必需品：图像分类中 Zoom 的强大和空间偏差的实证研究

    研究了六种不同的神经网络模型，确认透过图像缩放以提取最重要信息，并通过基于缩放的数据增广技术（TTA）来提高分类准确性，提出了一个新的基准 ImageNet-Hard。

    Apr, 2023