探索式超分辨率
本研究提出了一种基于多任务学习的框架,通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留,其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。
Jul, 2017
该研究提出了一种学习统一框架下的一组 SR 预测模块的方法,这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率,相比其他方法在广泛范围内实现了最先进的恢复效果。
Jan, 2017
本研究提出了一种探索性人脸超分辨率框架 DeepSEE,它是第一种利用语义地图的方法,可以控制语义区域及其外观,并允许广泛的图像操作,通过在人脸上进行最多 32 倍的放大,验证了 DeepSEE 的有效性。
Apr, 2020
本研究调查了单图像超分辨率的经典方法和基于深度学习的方法,将这些方法分类为四类,并介绍了 SR 的问题,提供了图像质量指标,参考数据集和 SR 的挑战。其中包括 EDSR,CinCGAN,MSRN 等最先进的图像 SR 方法。
Feb, 2021
本文提出了一种新的图像超分辨率方法,该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块,同时在潜在特征空间中进行上采样,并通过多尺度 HR 重建以获得更精确的图像恢复,进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。
Jul, 2016
该研究提出了一种双重回归方案,通过从低分辨率图像到高分辨率图像的映射和从低分辨率图像估计唯一的下采样核并重建低分辨率图像的过程来降低可能函数的空间,从而提高图像超分辨率任务中的性能。
Mar, 2020
本文提出一种卷积神经网络,该网络的特征图在低分辨率空间中提取,使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出,从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器,同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明,它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多,并且速度快了一个数量级。
Sep, 2016
使用 “Low-Res Leads the Way”(LWay)训练框架,结合有监督预训练和自监督学习,通过提取低分辨率(LR)图像的降级嵌入,与超分辨输出合并进行 LR 重建,并利用未见过的 LR 图像进行自监督学习,从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力,并通过离散小波变换(DWT)进一步改进对高频细节的聚焦,该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力,并超越了现有方法,是一种适用于实际图像超分辨应用的通用训练方案。
Mar, 2024
本文综述了近年来深度学习在图像超分辨率中的广泛应用,重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题,并提出了未来需要进一步研究的方向和问题。
Feb, 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