Sep, 2019

使用内部 GAN 盲超分辨率核估计

PDF
TL;DR介绍了一种新的超分辨率方法 —— 基于 Deep Internal Learning 的 KernelGAN。该方法可以在不知道下采样核（SR-kernel）的情况下进行盲超分辨率（Blind-SR），不需要数据集，实现了最先进的效果。
super resolutionblind-srdeep internal learningkernelganunsupervised learning
发现论文，激发创造
  • DynaVSR: 动态自适应盲视频超分辨率

    本研究提出 DynaVSR 框架，采用元学习技术，在实际视频 SR 场景下实现了较快速的降采样模型估计和自适应学习，并与视频 SR 网络无缝结合，实现了比现有的盲目 SR 方法更快的推理时间和更高的性能提升。

    Nov, 2020

  • 基于知识蒸馏的盲超分辨率降级估计

    本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的 SR 网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR，经过广泛的实验验证表明，KDSR 网络具有最先进的性能，并可以推广到各种退化过程。

    Nov, 2022

  • KOALAnet：基于核心的自适应局部调整的盲超分辨率方法

    本文提出了一种新的盲超分辨率框架 KOALAnet，它基于 Kernel-Oriented 自适应局部调整（KOALA）SR 特征，联合学习在实际图像中适应于空间变异模糊特征的空间变型退化和恢复核，可处理艺术照片中的故意模糊并产生最自然的结果。

    Dec, 2020

  • 盲目图像超分辨率的深度约束最小二乘法

    本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

    Feb, 2022

  • 简单，准确和鲁棒的非参数盲超分辨率

    本研究提出了一个新的非参数性盲超分辨率方法，该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果，并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化，最后比较实验证明，该方法在核估计准确性和图像超分辨率质量方面都表现优异。

    Mar, 2015

  • 盲超分辨率与迭代核矫正

    本文提出了一种基于深度学习的超分辨率（SR）方法来解决盲超分辨率问题，其中的模糊核是未知的。通过迭代核校正（IKC）方法，使用一个包含空间特征变换（SFT）层的神经网络结构进行多个核的处理。在合成和实际图像上的实验表明，该方法可以提供良好的 SR 结果，并在盲 SR 问题中达到了最先进的性能水平。

    Apr, 2019

  • 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

  • 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

  • 基于流的核先验方法在盲超分辨率中的应用

    本文提出了一种基于正交流的核先验（FKP），可以有效地解决缺失约束的核估计问题，其中，FKP 可以在隐空间中优化核而不是网络参数空间，从而提供了合理的核初始化，遍历学习到的核流形并提高优化稳定性。

    Mar, 2021

  • 使用伪监督的无配对图像超分辨率

    本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

    Feb, 2020