Aug, 2019

DRFN: 单图像超分辨率的深度循环融合网络（适用大倍数）

PDF
TL;DR本文提出了一种利用反卷积代替双三次插值，并通过循环残差块提取不同级别特征进行重建高分辨率图像的深度循环融合网络（DRFN），在大规模图片的情况下使用较少的参数即可获得更准确的图像。
single-image super-resolutiondeep convolutional neural networkstransposed convolutionrecurrent residual blocksmulti-level fusion structure
发现论文，激发创造
  • 深度递归卷积神经网络图像超分辨率

    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

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

    Jul, 2016

  • 图像超分辨率残差密集网络

    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

  • 增强型深层残差网络用于单张图像超分辨率

    本文介绍提出的增强型深度超分辨网络（EDSR）和多尺度深度超分辨系统（MDSR），通过深度卷积神经网络（DCNN）和残差学习等技术，去除不必要的模块，并扩展模型大小和稳定的训练过程，实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构，表现卓越，赢得 NTIRE2017 超分辨挑战。

    Jul, 2017

  • 深度卷积网络图像超分辨率

    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

  • 图像超分辨率的迭代网络

    本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

    May, 2020

  • 动态网络图像超分辨率

    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

  • 用于快速和准确超分辨率的深度拉普拉斯金字塔网络

    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

  • 多重网格反投影超分辨率与深度滤波器可视化

    本文介绍了一种基于深度学习的图像放大方法，采用逐层递进的递归算法和迭代反向投影算法 (IBP) 对低分辨率图像进行放大处理，然后通过卷积网络的特征提取过程进行修正，使得该方法在较少参数的情况下能够达到最先进的效果。

    Sep, 2018

  • 图像超分辨率的门控多反馈网络

    通过引入多个反馈连接和深度残差网络，本文提出了一个基于深度学习的图像超分辨率方法，可以有效地使用多个高层特征，提高低层特征的上下文信息。实验证明，这种方法在定量和定性的评估中都优于现有的超分辨率方法。

    Jul, 2019