SRFlow: 学习归一化流的超分辨空间

ECCVJun, 2020

SRFlow: 学习归一化流的超分辨空间

SRFlow: Learning the Super-Resolution Space with Normalizing Flow

Andreas Lugmayr, Martin Danelljan, Luc Van Gool, Radu Timofte

TL;DR该论文提出了一种基于正则化流的超分辨率方法 SRFlow，它可以通过训练学习输入低分辨率图像与输出高分辨率图像之间的条件分布，进而解决该问题多解的困难并提高了图像的处理能力。

Abstract

super-resolution is an ill-posed problem, since it allows for multiple predictions for a given low-resolution image. This fundamental fact is largely ignored by state-of-the-art deep learning based approaches. Th

super-resolution ill-posed srflow normalizing flow image manipulation

发现论文，激发创造

标准流作为照片逼真超分辨率的灵活保真目标

本研究针对超分辨率问题的模糊化现象，以条件流为基础，探究了一种更优的代替像素误差目标函数的方法，应用于拟真超分辨率领域中具体的三个数据集，得到了较高的视觉表现和一致性。

Nov, 2021

LoLiSRFlow: 跨尺度变换器条件流的联合单图像低光增强与超分辨率

通过提出一种新的网络模型，名为 LoLiSRFLow，该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题，并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。

Feb, 2024

基于噪声条件流模型的超分辨空间学习

提出了一种基于噪声条件流模型（NCSR）的超分辨率算法，通过噪声条件层，增加了图像的视觉质量和多样性，并且解决了正则化流模型中存在的数据分布不匹配问题。实验证明，NCSR 在多样性和视觉质量方面均优于基线和传统 GAN 模型，并在 NTIRE 2021 挑战中取得了最佳成绩。

Jun, 2021

Hierarchical Conditional Flow：一种用于图像超分辨率和图像缩放的统一框架

该研究提出了一种称为 hierarchical conditional flow (HCFlow) 的统一框架，它可以同时用于图像超分辨率和图像缩放任务，采用正则化流模型，并且采用感知损失和 GAN 损失来提高性能，在广泛的实验中展示了最先进的视觉效果。

Aug, 2021

PSRFlow: 用基于流的模型进行科学数据的概率超分辨率

提出了 PSRFlow，一种基于归一化流的科学数据超分辨率生成模型，它将不确定性量化结合到超分辨率过程中，并通过从高分辨率数据中捕捉缺失信息的高斯潜在空间进行采样生成了不同的超分辨率输出，达到了对超分辨率结果进行鲁棒的不确定性量化。

Aug, 2023

任意尺度图像超分辨率的本地隐式归一化流

本文提出了一种名为 LINF 的算法，使用局部隐式正则化流对超分辨率进行任意尺度的处理，可以生成具有丰富纹理细节的照片般逼真的高分辨率图像，并在大量实验中证明了 LINF 与先前的任意尺度超分辨率方法相比具有最先进的感知质量。

Mar, 2023

通过学习先验优化基于流动的生成超分辨率模型

本研究通过引入条件学习的先验来解决流式超分辨率模型中的问题，并成功提升了各种超分辨率场景中的性能。

Mar, 2024

学习无配对真实世界图像的多对多映射进行图像超分辨率和图像降采样

该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。

Oct, 2023

利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签

利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

Nov, 2020

FS-NCSR: 通过频率分离和噪声条件归一化流增加超分辨率空间的多样性

本文提出了使用频率分离和噪声调节的 FS-NCSR 算法，以产生多样性和高质量的超分辨率图像，而不会像现有的基于流的方法那样产生质量不高的输出，并使得输出的高频信息更加锐利且细节更加清晰

Apr, 2022