CVPRMay, 2020

感知极限超分辨率网络配有感受野块

PDF
TL;DR本研究介绍了一种基于增强型 SRGAN 的超分辨率网络 RFB-ESRGAN，包括 Receptive Field Block、多尺度信息提取、交替上采样方法和集成式模型等四个方面，经实验结果验证，该方法在 NTIRE 2020 Perceptual Extreme Super-Resolution Challenge 中表现最佳。
perceptual extreme super-resolutionreceptive field blockrfb-esrganmulti-scale informationensemble model
发现论文，激发创造
  • ESRGAN：增强型超分辨率生成对抗网络

    该研究通过提出 ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。

    Sep, 2018

  • 大感受野网络用于高比例图像超分辨率

    提出了 Large Receptive Field Networks，它可以扩展超分辨率网络的感受野，同时不增加深度或参数计数，通过实验证明该方法在提高准确率（PSNR / SSIM），减少参数计数和提高速度方面具有有效性。

    Apr, 2018

  • ESRGAN+：改进的增强超分辨率生成对抗网络

    该研究提出了 Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) 模型，采用感知驱动的方式进行单幅图像超分辨率处理，引入了新颖的模块和噪声输入方法以进一步改善图像的感知质量和纹理特征。

    Jan, 2020

  • 使用密集连接残差网络进行单幅图像超分辨率的双重重建

    本文提出在改进的生成对抗网络超分辨率模型中，添加更多的快捷连接以便于更快地反向传播梯度信息，进而通过像素距离、对抗性损失和感知损失等多重因素训练提高细节和质量，最终得到更高分辨率的图像。并验证了在实际图像超分辨率挑战中具有卓越性能，提高了图像重建的质量。

    Nov, 2019

  • 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

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 准确快速物体检测的感受野块网络

    本文提出了一种使用手工机制来强化轻量级特征的快速准确检测器，通过在轻量模型特征增强方面受视觉系统中感受野结构的启发，提出了一种新的 RF Block 模块来增强特征的可区分性和鲁棒性，并在 SSD 顶部组装 RFB，构建了 RFB 网络检测器，实验证明 RFB 网络能够在保持实时运行速度的情况下达到先进的深度检测器的性能水平。

    Nov, 2017

  • 图像超分辨率反馈网络

    本研究介绍了一种利用循环神经网络中隐藏状态和反馈机制进行图像超分辨率的新方法，该方法在多种图像降质情况下具有优越性能，并进行了课程学习来适应更复杂的任务。

    Mar, 2019

  • 基于端到端边缘增强 GAN 和物体检测器网络的遥感图像小目标检测

    本文介绍了基于 EESRGAN 的远程感知图像增强方法和在端到端上使用检测网络来提高小目标检测性能的模型，实验结果表明，与现有最先进的物体检测器相比，该方法在公共和自组装数据集上均表现出优越的性能。

    Mar, 2020

  • 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