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。
May, 2019
该论文提出了一种针对超分辨率图像的无监督方法,通过学习将人工生成的低分辨率图像的影响反演,从而还原数据中存在的自然图像特征,旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明,该方法可以得到具有代表性的真实世界图像组,有效地提高超分辨率网络的泛化性。
Sep, 2019
本研究通过实验研究发现,训练数据对超分辨率重建性能有很大影响,特别是对于卫星图像,而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法,因此,改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。
Jun, 2019
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
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
本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR,开发了一种轻量级高效的 HDR 模型 RepUNet,通过提出即插即用的运动对齐损失方法,解决了短曝光和长曝光图像之间的动作对齐问题,并在视觉质量和量化指标方面实现了最先进的性能。
Jun, 2023
该论文提出了一个像素递归超分辨率模型,可综合提高图像的分辨率并增强其真实感;该模型能够表示多模态条件分布,使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络,保持了照片的真实感。
Feb, 2017
提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集,包含了 450 个不同场景下的低分辨率和高分辨率视频对,并利用两个 DSLR 相机和一个分束器进行采集,同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络,以生成对应的高分辨率 sRGB 图像。实验结果表明,该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。
Sep, 2022
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
本文提出了一种新的数据采集技术,通过 beam-splitter 捕获相同场景的低分辨率和高分辨率图像进行训练预处理,提出包含 11,421 对低分辨率高分辨率图像的数据集,展示了该数据集如何显著提高超分辨率技术在现实世界图像上的质量。
Apr, 2020