水下图像同步增强和超分辨率以实现更好的视觉感知
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。
Sep, 2019
提出了一种条件生成式对抗网络模型来实现实时水下图像增强,该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量,并使用 EUVP 数据集进行监督学习,可以从匹配和非匹配训练中学习提高水下图像质量,进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。
Mar, 2019
引入 Cognitive Super-Resolution (CoSeR) 框架,通过融合图像外观和语言理解生成认知嵌入,激活大型文本到图像扩散模型的先前信息,并通过提供高质量参考图像优化超分辨率过程,以此修复语义正确和逼真的细节。
Nov, 2023
本研究将 ESRGAN 应用于实际的纹理恢复应用中,在处理复杂的真实世界退化图像时,引入高阶退化建模过程,并考虑到常见的环绕和过冲伪影,采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学, 并提供了实时生成训练样本的高效实现。
Jul, 2021
本文提出了一种基于语义图像细节增强的图像超分辨率方法,其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节,实验证明该方法具有显著的效果。
Jul, 2022
本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net,首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务,并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理,促进了地球观测数据的应用。
Feb, 2020
基于构建的合成水下视频增强数据集 (SUVE) 和利用帧间关系的新型水下视频增强模型 UVENet,该研究首次全面探索水下视频增强领域,并在合成和真实水下视频的广泛实验中展示了方法的有效性。
Mar, 2024
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
本研究提出了一种名为 SyreaNet 的框架,它融合了合成和真实数据,并以修订的水下图像形成模型和新颖的领域自适应策略为指导,旨在提高水下图像增强的质量。实验表明,我们的框架在 qualitatively 和 quantitatively 方面均优于其他最先进的基于学习的水下图像增强方法。
Feb, 2023
通过使用多张卫星图像,本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法,并展示了多图像对超分辨率性能的显著改善,同时探讨了光谱保真度和感知质量之间的权衡关系。
Apr, 2024