随机频率屏蔽以提高超分辨率和去噪网络
研究了深度神经网络在实际图像超分辨率应用中受到敌对噪声攻击的问题,并提出一种结合频域掩模模块和敌对样本分类器的解决方案,以提高模型的稳定性和鲁棒性。
Jul, 2022
本研究提出了一种基于概率框架的盲超分辨率图像重建方法,针对复杂的噪声和模糊核问题,该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验,该方法在合成数据集和真实数据集上均优于当前最先进的技术。
Jul, 2021
近年来,深度学习模型成功应用于增强低分辨率宇宙学模拟的小尺度信息,称为 “超分辨”。我们引入去噪扩散模型作为一种强大的生成模型,用于超分辨宇宙大尺度结构预测(首次在二维中作为概念验证)。通过开发一种新的 “滤波增强” 训练方法,重分配了像素级训练目标中不同尺度的重要性,以获得准确的小尺度结果。我们证明了我们的模型不仅能够产生令人信服的超分辨图像和功率谱,保持百分位水平的一致性,还能够重现与给定低分辨率模拟一致的小尺度特征的多样性,这对于这种超分辨模型作为宇宙结构形成的替代模型的有效性来说至关重要。
Oct, 2023
本文介绍了一种基于频域卷积定理的神经网络用于图像超分辨率,该网络采用 Hartley 变换作为替代傅里叶变换消除复数,具有很高的计算效率,并能适用于在计算机视觉和图像处理等其他领域中通常使用频域表示的问题。实验证明,该网络比文献中其他替代品的速度快 1 到 2 个数量级,性能损失微不足道。
Dec, 2017
本文提出一种盲图像超分辨率的新方法,使用重新构建的退化模型和两个新模块,通过对内核估计和内核基于高分辨率图像恢复的改进,实现更好的准确性和视觉改进,并在多个基准测试中进行了验证。
Feb, 2022
本文提出了一种更复杂但实用的退化模型,其中包括随机混合的模糊,下采样和噪声退化,以达到改善单图超分辨率方法的实用性的目的。实验结果表明,这个新的退化模型可以显著改善深度超分辨率方法的实用性,为真实的单图超分辨率应用提供了一种强有力的替代解决方案。
Mar, 2021
光学相干断层扫描(OCT)通过提高形态结构解析能力,利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题,本文提出了一种结合频率感知超分辨率框架,通过集成三个关键的基于频率的模块(频率变换、频率跳跃连接和频率对齐)及频率损失函数到条件生成对抗网络(cGAN)的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究,证明了我们提出的框架优于现有的深度学习框架。此外,我们还将该框架应用于鱼角膜图像和大鼠视网膜图像,证明了它在眼科成像中对解析形态细节的能力。
Jul, 2023
本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架,围绕核估计和重构进度引入了双向扩散,通过构建基于 DDPM 的核预测器和重建器实现了从 LR 图像到 HR 图像的映射,实验结果证明了我们提出的方法在盲超分辨率重建方面的优越性。
May, 2023
本文提出了一种基于 Gibbs 分布的条件模型,其充分统计量由深度卷积神经网络给出,用于图像超分辨率问题,并证明了该方法可在其他具有挑战性的不适定问题中使用,例如音频带宽扩展。
Nov, 2015
我们提出了一种使用维度扩展策略的通用框架,使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入,从而处理多种甚至是空间变异的退化,从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示,所提出的卷积超分辨率网络不仅可以产生多个退化结果,而且计算效率高,提供了一种高效和可扩展的解决方案,适用于实际的 SISR 应用。
Dec, 2017