CVPRJun, 2020

学习纹理转换网络用于图像超分辨率

PDF
TL;DR本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。
image super-resolutiontexture transferattention mechanismstexture synthesisdeep feature correspondences
发现论文，激发创造
  • 神经纹理迁移图像超分辨率

    本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

    Mar, 2019

  • 基于变形注意力转换器的参考图像超分辨率

    该论文提出了一种基于变形关注的变换器，即 DATSR，通过多个尺度来解决了参考图像超分辨率中的关键问题，即如何匹配低分辨率与参考图像的对应关系，以及如何将相关纹理从 Ref 图像传输到 LR 图像中来弥补细节。在多个基准测试数据集上进行的广泛实验表明，DATSR 取得了最先进的定量和定性性能。

    Jul, 2022

  • 高效纹理匹配与注意力梯度增强的大规模图像超分辨率重建

    参考图像超分辨率的关键词是 Reference-Based image super-resolution、attention mechanisms、deep architectures、texture match 和 Super Resolution。该方法通过引入注意机制，从参考高分辨率图像中转移高分辨率纹理，提高低分辨率图像的质量。对于每个低分辨率补丁，我们使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并找到 $k$ 个最相关的纹理匹配，从而获得准确的纹理匹配。通过使用简单的残差架构和梯度密度信息来增强超分辨率结果，显示了有竞争力的指标结果：PSNR 和 SSMI。

    Oct, 2023

  • PTSR：图像超分辨率的补丁翻译器

    提出了一种基于自注意机制的无卷积操作的转化器和生成对抗网络（GAN）网络 —— 补丁翻译器用于图像超分辨率，实验证明该网络在超分辨率上的性能得到了显著提升。

    Oct, 2023

  • 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

  • 基于纹理幻觉的大比例画作超分辨率

    本文提出了一种高效的大比例尺率高清晰度画作超分辨率算法，其中使用了小波纹理损失和退化损失来转移更多的纹理信息。同时，还使用高清晰度画作数据集 PaintHD 和其他方法的比较来证明本算法的有效性。

    Dec, 2019

  • 基于参考图像的图像超分辨率的细节增强框架

    通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

    May, 2024

  • 屏幕内容图像连续超分辨率的隐式变换网络

    针对面向屏幕内容的超分辨率问题，本文提出一个新的 ITSRN 网络来实现高质量的连续超分辨率，该网络的关键在于调整像素的查询坐标并使用隐式位置编码方案对邻近像素值进行聚合，实验表明该方法在解决压缩和非压缩 SCI 方面优于其他 SR 方法。

    Dec, 2021

  • 场景文本图像超分辨率：基于内容感知损失和交叉变换块的方法

    使用 Criss-Cross Transformer Blocks 和 Content Perceptual Loss，利用多尺度文本识别特征将内容意义有效地融入框架中，设计出了 TATSR 来提高文本图像的可读性和人类感知。在各种语言数据集上的广泛实验表明，TATSR 在识别精度和人类感知方面优于现有技术。

    Oct, 2022

  • 基于注意力机制的多参考学习用于图像超分辨率

    本文提出了一种新颖的基于注意力的多参考超分辨率网络（AMRSR），该网络可以在保持空间相干性的同时，通过学习从多个参考图像中自适应地传输最相似的纹理到超分辨率输出来提高细节。与现有的参考超分辨率方法相比，多参考和分层注意力采样方法的结合实现了显着改进。

    Aug, 2021