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
该论文提出了一种轻量级信息多蒸馏网络(IMDN),通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块(IMDB),并使用自适应裁剪策略(ACS)来处理任何大小的图像,实现任意比例的超分辨率,同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性,并将它们聚合起来。大量实验证明,该方法在视觉质量、内存占用和推理时间方面优于现有技术。
Sep, 2019
本研究提出了一种用于改善高频和多尺度特征学习的动态卷积算法,其中采用了增强空间上下文信息的核生成模块 (SEKG) 以及动态卷积块 (DCB) 和多尺度动态卷积块 (MDCB)。此外,还提出了多维特征集成 (MFI) 机制,旨在融合多尺度特征,从而提供具有精确性和丰富上下文特征的表征。最终,使用所提出的算法构建的 ADFNet 在真实世界和合成高斯噪声数据集上取得了更好的性能,且具有较低的计算复杂度。
Nov, 2022
通过引入多深度分支网络(MDBN),本文提出了一种新的超分辨率方法,该方法可以更好地提取和保留高频细节同时降低计算代价。
Sep, 2023
本文介绍提出的增强型深度超分辨网络(EDSR)和多尺度深度超分辨系统(MDSR),通过深度卷积神经网络(DCNN)和残差学习等技术,去除不必要的模块,并扩展模型大小和稳定的训练过程,实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构,表现卓越,赢得 NTIRE2017 超分辨挑战。
Jul, 2017
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。
本文介绍了一种动态网络(DSRNet)用于图像超分辨率,它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息,还能适用于复杂场景,并具有更轻便的结构。
Oct, 2023
通过异构动态卷积网络来实现图像超分辨率,该网络能够有效地提取上下文信息和结构信息以改善图像超分辨效果。
Feb, 2024
本文提出了一种多尺度深度学习压缩感知卷积神经网络(MS-DCSNet),其利用多尺度小波变换将图像信号转换,然后通过卷积模块在不同尺度上进行块的捕获并直接从多尺度测量重建初始重构图像,并利用多尺度小波卷积技术增强最终重构质量,从而学习多尺度采样和多尺度重构,从而改善重构质量。
Sep, 2018
本研究提出了一种双向级联网络结构(BDCN),结合比例增强模块(SEM),以改善对象不同尺度上的边缘检测,并在多个数据集上验证其有效性。
Feb, 2019