Nov, 2020

DynaVSR: 动态自适应盲视频超分辨率

PDF
TL;DR本研究提出 DynaVSR 框架，采用元学习技术，在实际视频 SR 场景下实现了较快速的降采样模型估计和自适应学习，并与视频 SR 网络无缝结合，实现了比现有的盲目 SR 方法更快的推理时间和更高的性能提升。
supervised super-resolutionvideo srmeta-learningdownscaling modeladaptive learning
发现论文，激发创造
  • 卫星视频的深度盲超分辨率

    该研究提出了一种实用的盲自适应卫星视频超分辨率算法（BSVSR），通过粗到精的方式考虑像素级模糊程度，探索更多的锐度线索，并使用金字塔空间转换模块在多层次领域中调整锐度中间特征的解空间，从而在模拟和实际卫星视频上表现出色，优于最先进的非盲和盲自适应超分辨率模型。

    Jan, 2024

  • 深度盲视频超分辨率

    本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

    Mar, 2020

  • 扩展合成真实世界退化，用于盲视频超分辨率

    该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络，使其在真实世界的视频超分辨率方面表现更好。结果显示，相较于 RealBasicVSR 在 NRQM 方面提高了 7.1％，相较于 BSRGAN 提高了 3.34％。同时，该论文也提出了一个新的包含高分辨率真实视频的数据集，可作为基准测试的共同参照。

    May, 2023

  • AnimeSR：学习用于动画视频的真实世界超分辨率模型

    本文研究解决现实世界中动画视频超分辨率（VSR）的难题，并揭示了实用动画 VSR 的三个关键改进：通过学习基本运算符来改进基本降质操作生成过程中的能力，使用 AVC 数据集进行综合训练和评估，以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频，并实现了优于以往最先进方法的性能。

    Jun, 2022

  • 盲目图像超分辨率的深度约束最小二乘法

    本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

    Feb, 2022

  • 基于深度学习的视频超分辨率技术综述

    该论文系统研究了基于深度学习的 33 种视频超分辨率方法，提出了一个分类法并将这些方法分属到六个子类中，并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性 VSR 方法的性能进行总结和比较，讨论了 VSR 领域中需要进一步研究的一些挑战。这项工作预计对 VSR 技术的深度学习方法做出贡献，从而深化我们对该领域的理解，并成为该领域中最早的系统研究之一。

    Jul, 2020

  • 将退化预测与高性能超分辨率网络相结合的框架

    本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架，通过在 SR 网络特征映射中插入预测向量的元数据插入块，我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果，实现了比非盲和盲超分辨率网络更强大的超分辨率性能。

    Nov, 2022

  • 使用内部 GAN 盲超分辨率核估计

    介绍了一种新的超分辨率方法 —— 基于 Deep Internal Learning 的 KernelGAN。该方法可以在不知道下采样核（SR-kernel）的情况下进行盲超分辨率（Blind-SR），不需要数据集，实现了最先进的效果。

    Sep, 2019

  • 使用隐马尔可夫模型推断利用相机原始数据进行视频超分辨率

    本文提出了一种新的 VSR 方法，采用重建模块和深度推理模块来高效利用相机传感器数据。与现有方法不同，该模型在分离超分辨率和颜色校正的过程中具有显著性能优势。

    Aug, 2020

  • 盲图像超分辨率：调查与发展

    这篇论文系统地回顾了最近盲目图像超分辨率的研究进展，提出了一个分类法以区分现有的方法，并对常用数据集和以前的比赛进行了总结。同时，通过对合成和真实测试图像的详细分析，对不同方法的优缺点进行了比较。

    Jul, 2021