面向实际超分辨率的无监督学习
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
使用 DSGAN 结构进行无监督学习,将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术,只需对高频部分进行对抗性训练,从而极大地提高超分辨率模型在真实世界图像上的性能表现。
Nov, 2019
本文提出了一种无监督学习的方法,利用生成对抗网络和 Cycle-in-Cycle 网络结构,通过映射、上采样和微调等三个步骤,将带有噪声和模糊的低分辨率图片转换为高分辨率图片,并在 NTIRE2018 数据集上取得了与有监督模型相当的效果。
Sep, 2018
本文提出了一种基于生成对抗网络的图像和人脸超分辨率的方法,通过训练高分辨率到低分辨率的 GAN 和低分辨率到高分辨率的 GAN 两个阶段,可以有效地提高实际应用场景下的低分辨率图像的质量,进而在人脸超分辨率领域取得了显著成果。
Jul, 2018
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
该论文提出了 SDFlow,一个将单幅图像超分辨率问题转化为无监督学习的模型,通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。
Oct, 2023
本文提出了基于生成模型的感知图像超分辨率方法,结合变分自编码器实现了联合降噪和超分辨率,使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率,并通过实验验证了该方法的有效性。
Apr, 2020
为了解决超分辨率图像恢复在真实场景中的局限性,本文提出了新的数据生成管道来模拟数字相机的成像过程,并使用双卷积神经网络以及学习空间变异的颜色转换来处理原始数据,实验结果表明,在真实场景中,使用原始数据进行超分辨率图像恢复可以更好地恢复细节和清晰的结构。
May, 2019
本文提出了一种双向的结构一致性网络,以无监督的方式训练降噪和超分辨率网络,通过生成对抗网络模拟现实世界的 LR 图像降级过程,结合现实世界的 HR 图像,然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明,该算法在合成和真实场景的超分辨率任务中性能表现都优秀。
Dec, 2018
本研究提出两种新的神经网络架构,分别解决了单图像超分辨率中上采样时的噪声放大和大尺度结构的保留问题,并在 2018 年 NTIRE 超分辨率挑战赛的多项比赛中获得较高名次。
May, 2018