联合去马赛克与超分辨率(JDSR):网络设计与感知优化
本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法,按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明,该方法优于目前的各种技术,并在定量和定性指标上取得了优异的表现。
Feb, 2018
该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法,通过感知优化保证恢复图像的视觉质量,其结果在客观和主观质量指标上表现出优于现有先进技术的结果,且有可比性的计算成本。
Feb, 2018
本文提出一个基于多任务学习的联合深度图超分辨率与单目深度估计网络,采用不同的引导策略设计两个桥梁,一个是用于特征编码过程的高频注意力桥梁,另一个是用于深度图重建过程的内容引导桥梁,实验证明该方法在基准数据集上具有竞争性能。
Jul, 2021
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
本文提出在改进的生成对抗网络超分辨率模型中,添加更多的快捷连接以便于更快地反向传播梯度信息,进而通过像素距离、对抗性损失和感知损失等多重因素训练提高细节和质量,最终得到更高分辨率的图像。并验证了在实际图像超分辨率挑战中具有卓越性能,提高了图像重建的质量。
Nov, 2019
本研究中,我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块,通过结合均方误差损失、感知损失和对抗性损失训练我们的网络,以在失真和感知质量之间获得最佳权衡,从而实现更好的感官质量。
Nov, 2018
提出一种新颖的离散余弦变换网络(DCTNet)来解决多模态图像处理中导向深度超分辨率(GDSR)的挑战,包括理解工作机制、提取跨模态特征和减弱 RGB 纹理过度传递,通过离散余弦变换模块、半耦合特征提取模块和边缘注意机制来分别解决这些问题。实验结果表明,DCTNet 的性能比之前最先进的方法更好,在参数数量相对较小的情况下能够更好地处理导向深度超分辨率。
Apr, 2021
本文提出了一种新的结构流引导的 DSR 框架,其中学习交叉模态流图来指导 RGB - 结构信息的传输,以实现精确的深度超分辨率提升,经过对真实和合成 DSR 数据集的广泛实验,验证了该方法相对于现有技术的卓越性能。
Jan, 2023
通过使用局部细化网络和基于扩散的技术,我们提出了一种名为 REAL-GDSR 的新方法来解决实际世界 DSM(数字表面模型)超分辨率的复杂性问题。我们的方法在定性和定量评估中表现出优于现有方法的效果。
Apr, 2024
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