本文提出了 Laplacian Pyramid Super-Resolution Network 来逐步重建高分辨率图像的子带残差。我们的方法不需要双三次插值作为预处理步骤,从而大大减少了计算复杂度,并使用鲁棒的 Charbonnier 损失函数进行深度监督训练,取得了高质量的重建效果。我们的网络在一个前向传递过程中生成多尺度预测,从而有助于资源感知应用。在基准数据集上进行的广泛定量和定性评估表明,所提出的算法在速度和准确性方面优于现有技术方法。
Apr, 2017
本文提出了一种新型的残差稠密网络 (RDN),该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征,并通过局部特征融合和全局特征融合来稳定更广泛的网络培训,进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。
Feb, 2018
本文提出了一种深度 Laplacian 金字塔超分辨率网络,通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构,实现了较高的图像质量和运行时间。
Oct, 2017
该研究提出了一种新型卷积神经网络 —— 残差密集格网络,它同时采用残差连接和密集连接,通过 RDL 块的拓扑结构限制了用于密集连接的特征输出数量,避免了参数过度分配的问题,经实验证明在语音增强方面表现优异,且具有更少的参数和较低的计算要求。
Feb, 2020
本文提出了一种新的残差本地特征网络 (RLFN) 方法,通过使用三个卷积层进行残差本地特征学习来简化特征聚合,同时伴随着改进的对比损失和训练策略,该方法在保持 SR 的 PSNR 和 SSIM 的同时显著优于所有最先进的高效图像 SR 模型。
May, 2022
本文介绍了一种动态网络(DSRNet)用于图像超分辨率,它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息,还能适用于复杂场景,并具有更轻便的结构。
Oct, 2023
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。
Mar, 2017
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
该研究使用 Residual Dense Networks(RDN)架构并分析了其组件的重要性,通过利用原始低分辨率(LR)图像的分层特征,该架构实现了卓越的性能,具有四个主要块,包括作为核心的残留密集块(RDB),并通过使用各种损失指标的研究和分析评估了体系结构的有效性,将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 2023
使用深度递归卷积神经网络的图像超分辨率方法,在递归深度增加时,不需要引入新的卷积参数,通过递归监督和跳过连接来缓解训练的困难,并在性能上显著优于之前的方法。
Nov, 2015