AAAISep, 2019

JSI-GAN: 基于 GAN 的联合超分辨率和反色调映射，采用逐像素任务特定滤波器处理 UHD HDR 视频

PDF
TL;DR本文提出了一种基于生成对抗网络的分组超分辨率和反色调映射联合学习模型，通过精心设计包括图像重建子网、细节恢复子网和局部对比度增强子网等三个任务特定子网，训练一对 1D 可分离细节恢复像素滤波器和一个局部对比度增强 2D 滤波器，以提高本文模型处理 HDR 图像过程中所需的超分辨率和反色调映射性能，实验证明该模型能够比之前的方法提高 0.41 dB 的 PSNR 值。
发现论文，激发创造
  • Deep SR-ITM: 用于 4K UHD HDR 应用的超分辨率和反色调映射联合学习

    该研究论文提出了一种深度网络模型 Deep SR-ITM，利用超分辨率和反色调映射来将低分辨率和标准动态范围视频转换为高动态范围和超高清晰度视频，并在位置可变操作下运用调制块来增强局部对比度。

    Apr, 2019

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    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

  • 基于 Best-Buddy GAN 架构的高清晰度图像超分辨率

    本研究提出了一种基于 best-buddy GANs 的方法来解决单幅图像超分辨率问题，采用灵活的多对多映射策略来寻求最佳监督；同时，采用区域感知的敌对学习策略，使得算法能够适应不同的纹理区域，产生更合理的细节结果。

    Mar, 2021

  • 高效反色调映射的轻量级改进残差网络

    通过改进的残差网络 (IRNet) 提出了一种轻量级的反转色调映射 (ITM) 方法，使用新的改进残差块 (IRB) 提取和融合多层特征进行高动态范围图像的重建，实验结果显示 IRNet 在 ITM 和联合 SR-ITM 任务上达到了最先进的性能水平。

    Jul, 2023

  • 使用生成对抗正则化方法学习反色调映射网络

    该研究提出了一种基于深度学习和生成对抗式约束的新型逆向调色映射方法，通过交替优化的框架，使用 U-Net-based HDR 图像生成器将输入 LDR 图像转换成 HDR 图像，通过对真实 HDR 图像和生成图像的判别器进行分类，成功地实现了比现有技术更好的 iTM 效果。

    Apr, 2018

  • 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

    通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

    Apr, 2024

  • 重新思考超分辨率，作为基于文本的细节生成技术

    本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

    Jul, 2022

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • SRPGAN：单图像超分辨率视觉生成对抗网络

    本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

    Dec, 2017

  • 基于图像生成的学习方法实现高效的 SDRTV-to-HDRTV

    将标准动态范围电视（SDRTV）内容转换为高动态范围电视（HDRTV）的任务存在严重的色域转换错误，为解决此问题，本文提出了一种新的三步解决方案 HDRTVNet++，其中包括自适应全局色彩映射、局部增强和高光细化，该方法在处理 4K 分辨率图像时具有高效、轻量级的特点。

    Sep, 2023