CVPRMar, 2021

ClassSR：一种利用数据特征加速超分辨率网络的通用框架

PDF
TL;DR本文提出了一种新的基于 Classification 和 SR 模块的解决方案管道 (ClassSR)，可以在处理大型图像时加速超分辨率 (SR) 网络，通过分类不同的子图像并选择不同的 SR 网络对其进行处理，实现了分类和超分辨率的统一框架，并且通过两个损失方法，Class-Loss 和 Average-Loss，使得大多数子图像可以通过更小的网络，从而大大减少了计算成本，该方法在低级别视觉任务中也有应用前景。
super-resolution networkslarge imagesclasssrclassificationflops
发现论文，激发创造
  • 基于深度学习的单幅图像超分辨率的全面综述

    本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

    Feb, 2021

  • 基于上下文化多任务学习的结构保持图像超分辨率

    本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

    Jul, 2017

  • SHISRCNet: 低分辨率乳腺癌组织学图像的超分辨率和分类网络

    本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络（SHISRCNet），该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌，具有较高的诊断准确度。

    Jun, 2023

  • 学习混合深度网络以进行单幅图像超分辨率

    该研究提出了一种学习统一框架下的一组 SR 预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。

    Jan, 2017

  • 图像超分辨率的深度学习研究

    本文综述了近年来深度学习在图像超分辨率中的广泛应用，重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题，并提出了未来需要进一步研究的方向和问题。

    Feb, 2019

  • 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

  • s-LWSR：超轻量级超分辨率网络

    通过建立信息池、使用压缩模块和去除激活层，本文提出了一个超轻量级的超分辨率网络 s-LWSR，以减少参数数量和操作次数，在保持性能的同时，在移动设备上部署 DL-SR 模型时具有明显的优势。

    Sep, 2019

  • 任务驱动超分辨率：低分辨率图像中的目标检测

    本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

    Mar, 2018

  • 使用高效子像素卷积神经网络的实时单图像和视频超分辨率

    本文提出一种卷积神经网络，该网络的特征图在低分辨率空间中提取，使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出，从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器，同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明，它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多，并且速度快了一个数量级。

    Sep, 2016

  • 单个网络学习任意尺度的超分辨率

    本文提出了一种基于不同比例尺下特征适应块和上采样层的单幅图像超分辨率网络的方法，并利用特定比例尺下的网络知识，提出了一种比例尺 - aware 知识转移方法。结果表明，该方法可以在保持整数比例尺下的图像超分辨率性能的同时，在非整数和非对称跨度方面取得有前途的结果，而附加的计算和内存成本非常小。

    Apr, 2020