Sep, 2019

深度残差乘法器用于水下图像超分辨率

PDF
TL;DR本文提出了一种基于深度残差网络的生成模型，用于自主水下机器人对水下图像的单张图像超分辨率 (SISR) 处理，并提供了一个基于对抗训练的 SISR 学习流程。通过评估图像的全局内容、颜色和本地风格信息，我们制定了一个目标函数来监督训练。此外，我们提出了 USR-248，一个大型的数据集，包含三种不同尺寸的水下图像，可用于监督 2x，4x 或 8x SISR 模型的训练。我们的实验表明，我们提出的模型具有非常好的性能，可用于在嘈杂的视觉条件下进行场景理解和注意力建模等应用。
发现论文，激发创造
  • 水下图像同步增强和超分辨率以实现更好的视觉感知

    提出 Deep SESR 方法，支持水下机器人对图像进行同步增强和超分辨，通过多模态目标函数训练，能够支持 2x、3x、4x 空间分辨率的图像恢复，并在 UFO-120 数据集上进行了验证实验。

    Feb, 2020

  • 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

  • 单图像超分辨率的深度学习：简要综述

    介绍了基于深度学习的单图超分辨率问题的方法和分类，其中包括了网络架构和深度学习优化目标两个方面，归纳了各种方法的局限和改进，并从各种角度展开了比较和分析，并讨论了当前挑战和未来趋势。

    Aug, 2018

  • 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

  • 超锐利：使用残差稠密网络进行单幅图像超分辨率研究

    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

  • 实际场景下的单幅图像超分辨率：简要综述

    通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

    Mar, 2021

  • 极轻量化鲁棒实时单图像超分辨率算法在移动设备上的应用

    本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR)，它是一种受到 root 模块的启发，旨在解决单图像超分辨率问题的建模方法，并在 Div2K 验证集上取得了超过 VDSR 的成果，在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。

    May, 2021

  • 一种基于改进 U-net 和混合梯度损失的单图像超分辨率方法

    本文提出了一种基于 Mixed Gradient Error 的深度学习网络 ——Modified U-net，将其作为损失函数，减少网络参数，从而加速图像重构，与现有方法相比，该重构方法具有更好的性能和时间消耗。

    Nov, 2019

  • RAISR：快速而精确的图像超分辨率

    本研究提出了一种 Single Image Super-Resolution 的解决方案，可以在保证低复杂度的前提下，通过训练数据来学习一组 filter，使得对于一张不在训练集中的图片，可以生成更高分辨率、更高质量的图片；同时该方法还包括了一种有效的图像锐化算法，可以作为预处理步骤来提高下采样放大滤波器的学习效果。

    Jun, 2016

  • 基于胶囊神经网络的单图像超分辨率

    本文研究使用胶囊网络进行单张图像超分辨率处理，在实验中发现胶囊网络相比传统卷积方式需要较少的层数却能达到较好的效果，证明了将胶囊网络应用于图像超分辨率问题是值得尝试的。

    Oct, 2022