深度爆发超分辨率
本文介绍了一个新的大规模真实场景爆破超分辨率数据集 RealBSR 以及一种名为 FBAnet 的联邦爆破亲和网络,用于从多个帧中恢复图像细节,并通过基于 Transformer 的模块进行爆破表示解码。实验结果表明,FBAnet 优于现有的最先进的爆破超分辨率方法,并且在模型细节上实现了视觉上令人愉悦的超分辨率图像预测。
Sep, 2023
本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net,首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务,并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理,促进了地球观测数据的应用。
Feb, 2020
本文提出了一种逐帧融合的、高效灵活的循环网络,以底帧为关键提示,并引入隐式加权损失,用于促进从具有可变数量的输入帧中获取知识,以实现从序列低分辨率和噪声图像重建高分辨率图像的目标。我们在合成和真实数据集上进行了广泛实验,结果表明,我们的方法优于当前最先进的方法。
Jun, 2023
多图像超分辨率 (MISR) 方法以子像素偏移的形式结合多张图像中的互补信息来提高低分辨率 (LR) 图像的空间分辨率,在准确注册和融合多图像信息方面存在困难。本研究提出的 EpiMISR 模型通过使用采集过程的极线几何以及基于 Transformer 的辐射特征场进行处理,在存在大的 LR 图像视差的情况下明显改进了目前最先进的 MISR 方法。
Jan, 2024
通过使用非均匀曝光的拍摄组合,我们提出了一个新的基准数据集 NEBI,旨在解决实际场景中的爆发图像超分辨率问题,并引入了一个适用于非均匀场景的框架选择网络 FSN,通过低计算成本实现现有超分辨率方法的无缝整合。
Jun, 2024
利用低成本高分辨率辅助 G 缓冲作为额外输入,我们提出了一种高效有效的超分辨率方法,通过多分辨率级别上的特征对齐和融合,能够以实时性能在 4K 分辨率上以 4 倍甚至 8 倍分辨率进行时间连贯的重建,相较于现有方法具有显著提高的质量和性能提升。
Oct, 2023
提出了一种基于 Transformer、金字塔流引导可变卷积网络和 Swin Transformer 块的 BurstSR 体系结构,可有效地从一系列嘈杂、不对齐和低分辨率 RAW 爆发中恢复高质量图像,并在 NTIRE2022 Burst Super-Resolution Challenge 中取得了新的最佳效果。
Apr, 2022
该研究使用 Residual Dense Networks(RDN)架构并分析了其组件的重要性,通过利用原始低分辨率(LR)图像的分层特征,该架构实现了卓越的性能,具有四个主要块,包括作为核心的残留密集块(RDB),并通过使用各种损失指标的研究和分析评估了体系结构的有效性,将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 2023
本文提出了一种基于 Laplacian 金字塔的核预测网络(LP-KPN)来恢复高分辨率图像,通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集,证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果,且模型能够适应不同的相机设备。
Apr, 2019
这篇论文中,我们使用多帧超分辨率算法直接从一连串的彩色滤波阵列原始图像中创建完整的 RGB 图像,以替代传统的单帧和连拍摄影流程中使用的去马赛克方法。该算法旨在提高图像分辨率和信噪比,支持多种场景条件,可以在短时间内运行。实际应用于手机的两个功能:Super-Res Zoom 和 Night Sight 模式。
May, 2019