IJCAIApr, 2020

具有非对称共同注意力的图像超分辨率深交错网络

PDF
TL;DR本文提出一种基于深度交错网络（DIN）和不对称协同注意力（AsyCA）的图像超分辨率方法，使用多支路模式，允许多个互相连接的支路在不同状态交错和融合，以引导预测彩色图像的深度代表性特征，从而实现前低级特征引导后高级特征的完全结合，实验证明与目前最先进的超分辨率方法相比，我们所提出的 DIN 方法更具优越性。
convolutional neural networksimage super-resolutiondeep interleaved networkasymmetric co-attentionfeature fusion
发现论文，激发创造
  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    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

  • 利用非常深的残差通道注意力网络进行图像超分辨率

    通过使用残差通道注意力网络 (RCAN) 的残差内残差结构 (RIR) 和通道注意力机制，我们可以实现深度图像超分辨率，并在准确度和视觉效果上优于现有方法。

    Jul, 2018

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • CiaoSR: 连续隐式注意力在注意力网络中用于任意尺度图像超分辨率

    本文提出了一种连续的隐式关注网络，称为 CiaoSR，以解决在单张图片超分辨率重建中可能遇到的局部模型信息不足、感受野受限的问题，并在多个基准数据集上实验表明 CiaoSR 显著优于现有的单个图像超分辨率方法，并取得了任意比例超分辨率任务的最佳性能。

    Dec, 2022

  • 一种两阶段注意力网络的单幅图像超分辨率方法

    本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果

    Apr, 2021

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 基于稀疏图注意力机制的卷积神经网络 MRI 超分辨率

    提出利用多个卷积算子特征提取模块的 A 网络，通过多次跨特征提取模块的交互来突出关键特征，并使用基于注意力的稀疏图神经网络模块建立像素特征之间的关系，以弥补卷积神经网络模型表达能力有限的缺陷，在医学图像分辨率提高方面获得了显著的改进。

    May, 2023

  • 深度 CNN 中使用 Skip 连接和 NiN 网络的快速准确图像超分辨率

    使用深度卷积神经网络（Deep CNN）的单幅图像超分辨率（SISR）模型，包括残差网络、跳跃连接和网络中的网络（DCSCN），结合局部和全局特征提取器和并行 1x1 卷积神经网络实现了具有至少 10 倍较低计算成本的最好的图像重建性能，优化了每个 CNN 层和滤波器的数量，以显著降低计算成本。

    Jul, 2017

  • 双状态循环网络图像超分辨率

    本文提出了 Dual-State Recurrent Network (DSRN) 来进行图像超分辨率重建。与现有单状态的 SR 不同的是，DSRN 基于一种精简的序列记忆结构，在 LR 和 HR 信号两者之间进行交互记忆和信息反馈，可以有效提升 SR 的预测精度，降低内存消耗。

    May, 2018

  • 图像超分辨率残差密集网络

    本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

    Feb, 2018