CVPRMar, 2020

具有梯度引导的结构保持超分辨率

PDF
TL;DR本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。
single image super resolutiongenerative adversarial networkstructure-preservinggradient mapsmodel-agnostic
发现论文，激发创造
  • 结构保持的图像超分辨率

    本文提出了一种基于 GAN 方法的图像超分辨率算法，通过梯度信息作为额外的结构先验，以结构保留的方式减少回复的图像中的不良结构畸变，并引入可学习的神经结构提取器（NSE）来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明，该方法优于当前基于感知的 SR 方法。

    Sep, 2021

  • 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

  • 结构增强图像超分辨率的梯度方差损失

    本文提出了一种名为 Gradient Variance (GV) loss 的结构增强的损失函数，用于训练模型生成高分辨率图像，以解决使用 L1 或 L2 损失函数时模型无法恢复高分辨率图像中锐利边缘的问题。实验结果表明，GV 损失可以显著提高现有图像超分辨率深度学习模型的结构相似性 (SSIM) 和峰值信噪比 (PSNR) 性能。

    Feb, 2022

  • SRPGAN：单图像超分辨率视觉生成对抗网络

    本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

    Dec, 2017

  • 图像超分辨率质量评估：结构保真度对统计自然性的权衡

    本研究评估了单图像超分辨率 (SISR) 生成的图像的质量，在结构保真度和统计自然性这两个维度的二维空间内观察不同 SISR 算法的行为，进一步证明了全球性质的重要性，并提出了一个新模型 - SFSN 模型进行质量预测。

    May, 2021

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 一种基于改进 U-net 和混合梯度损失的单图像超分辨率方法

    本文提出了一种基于 Mixed Gradient Error 的深度学习网络 ——Modified U-net，将其作为损失函数，减少网络参数，从而加速图像重构，与现有方法相比，该重构方法具有更好的性能和时间消耗。

    Nov, 2019

  • 感知导向的单图超分辨率使用最佳目标估计

    本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

    Nov, 2022

  • 重新思考超分辨率，作为基于文本的细节生成技术

    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

  • 针对 3D 脑部 MRI 超分辨率的增强生成对抗网络

    该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR，并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理，并提出了一种新颖的解剖学保真度评估方法，这些开发通过一种简单，高效的方法结合起来，以实现影像和质地质量之间的平衡。

    Jul, 2019