KOALAnet:基于核心的自适应局部调整的盲超分辨率方法
本研究提出了一个新的非参数性盲超分辨率方法,该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果,并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化,最后比较实验证明,该方法在核估计准确性和图像超分辨率质量方面都表现优异。
Mar, 2015
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
本文提出了一种基于深度学习的超分辨率(SR)方法来解决盲超分辨率问题,其中的模糊核是未知的。通过迭代核校正(IKC)方法,使用一个包含空间特征变换(SFT)层的神经网络结构进行多个核的处理。在合成和实际图像上的实验表明,该方法可以提供良好的 SR 结果,并在盲 SR 问题中达到了最先进的性能水平。
Apr, 2019
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
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
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。
Nov, 2020
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
本文提出了一种基于知识蒸馏的隐式降级估计网络,结合了此网络与高效的 SR 网络,实现了在未知退化情况下的盲图像超分辨率,同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR,经过广泛的实验验证表明,KDSR 网络具有最先进的性能,并可以推广到各种退化过程。
Nov, 2022
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
本研究提出了一种名为 IKR-Net (迭代核重构网络) 的方法,通过使用专门的深度模型进行迭代的核和噪声估计以及高分辨率图像重建,提供了一种通用解决方法,能够处理输入低分辨率图像中任意类型的模糊和噪声,并在盲目单图像超分辨率中取得了最先进的结果,特别是对于带有运动模糊的噪声图像。
Apr, 2024