元学习在超分辨率网络快速适应中的应用

Jan, 2020

元学习在超分辨率网络快速适应中的应用

Fast Adaptation to Super-Resolution Networks via Meta-Learning

Seobin Park, Jinsu Yoo, Donghyeon Cho, Jiwon Kim, Tae Hyun Kim

TL;DR本研究中，我们通过利用输入图像提供的额外信息，不改变传统 SR 网络的结构，通过元学习在训练阶段来快速适应测试时间内的任何输入图像，并在测试阶段仅使用给定的低分辨率图像进行有限的迭代快速微调网络参数。通过充分利用自然图像中观察到的补丁重复性质，我们的方法有效地处理未知的 SR 卷积核，并可应用于任何现有模型，从而在各种基准 SR 数据集上持续提高传统 SR 网络的性能。

Abstract

Conventional supervised super-resolution (SR) approaches are trained with massive external SR datasets but fail to exploit desirable properties of the given test image. On the other hand, self-supervised SR approaches utilize the internal information within a test image but suffer from

super-resolution self-supervised learning meta-learning patch-recurrence property conventional sr networks

发现论文，激发创造

零样本超分辨率的元转移学习

本文提出了基于元传递学习的零样本超分辨率，利用泛化的初始参数适合内部学习，能够利用外部和内部信息来适应各种数据条件，从而可以大大减少推理时间。

Feb, 2020

学习混合深度网络以进行单幅图像超分辨率

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

Meta-SR: 一个任意放大的网络用于超分辨率

本文介绍一种利用 Meta-Upscale 模块的单一模型解决任意尺度图像超分辨率问题的方法，通过广泛的实验评估结果表明，该方法在性能上不错。

Mar, 2019

盲超分辨率：元学习与马尔可夫链蒙特卡洛模拟

通过元学习和马尔可夫链蒙特卡罗 (MCMC) 的盲图像超分辨率 (SISR) 方法，从有组织的随机性中学习核先验，同时提出基于元学习的交替优化策略实现一个基于学习的即插即用的盲 SISR 解决方案，通过对合成和真实数据集进行广泛的模拟，表明了该方法具有卓越的性能和泛化能力。

Jun, 2024

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

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

基于渐进感知的单幅图像超分辨率网络

本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

Jul, 2019

深度自适应推断网络用于单幅图像超分辨率

本文提出了一种名为 AdaDSR 的单图像超分辨率方法，使用自适应推理网络和轻量级适配器模块来预测局部网络深度，并使用高效的稀疏卷积进行自适应推理。

Apr, 2020

利用特权信息学习高效图像超分辨率

本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN，该方法使用极小的网络参数达到了良好的效果，并使用一种新颖的蒸馏框架，通过教师和学生网络进行高分辨率的重建，大大提升了网络性能。

Jul, 2020

低分辨率引领未来：通过自监督学习提高超分辨率的泛化能力

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