Apr, 2021

基于迭代优化的图像超分辨率提升

PDF
TL;DR本研究提出了 SR3 方法，通过重复精细的降噪扩散概率模型，采用随机去噪过程并通过 U-Net 模型进行迭代 refinement，实现图像超分辨率，在面部和自然图像的不同放大因素的超分辨率任务中表现强劲，与 SOTA GAN 方法进行人工评估，SR3 实现了近 50％的 fool 率，表明输出具有照片逼真度，同时 GANs 不超过 34％的 fool 率。我们进一步展示 SR3 在级联图像生成中的有效性，其中生成模型与超分辨率模型链接，使 ImageNet 的竞争 FID 得分为 11.3。
super-resolutiondenoisingprobabilistic modelsu-netimage generation
发现论文，激发创造
  • SinSR: 单步扩散图像超分辨率

    提出了一种名为 SinSR 的简单而有效的方法，通过仅需要一步推断即可生成超分辨率图像，同时利用新的一致性保持损失，以实现比之前最先进方法和教师模型更优的性能和高达 10 倍的推断加速。

    Nov, 2023

  • 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

    通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

    Apr, 2024

  • 基于渐进感知的单幅图像超分辨率网络

    本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

    Jul, 2019

  • 全面渐进式的单图像超分辨率方法

    通过渐进式训练和学习流程，使用生成式对抗网络的方法逐步提升图像的超分辨率，该方法的重点在于其多尺度的设计，能够在高放大因子下有更好的表现。

    Apr, 2018

  • CasSR: 激活图像力量的真实世界图像超分辨率

    通过级联扩散控制模型和多重注意机制，本研究提出了一种图像超分辨率方法，其目标是从降质版本中生成高质量、清晰的图像。研究结果表明该方法在提高图像还原的准确性和真实性方面非常有效和优越。

    Mar, 2024

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 使用知识蒸馏的对抗生成超分辨率在边缘设备上的应用

    本文提出了一个高效的生成对抗网络模型用于在需要可靠的视觉流来监视任务、处理远程操作或研究相关视觉细节的环境中支持机器人任务的单图像超分辨率，并通过定制的网络架构和模型量化使其在 CPU 和 Edge TPU 设备上达到高达 200 fps 的快速推断，同时进一步通过将其知识压缩至网络的较小版本来优化我们的模型，并与标准训练方法进行比较，得出显著的性能改善结果。我们的实验结果表明，相比于更重型的现有模型，我们的快速轻量模型在保持极高图像质量的同时，具有显著的优势，在带宽降级的图像传输方面的应用潜力也值得进一步挖掘。

    Sep, 2022

  • 像素递归超分辨率

    该论文提出了一个像素递归超分辨率模型，可综合提高图像的分辨率并增强其真实感；该模型能够表示多模态条件分布，使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络，保持了照片的真实感。

    Feb, 2017

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 通过异构模型集成和 GP-NAS 实现真实图像超分辨率

    该论文基于高斯过程的神经架构搜索方案，通过多种不同的网络结构和超参数选择进行模型集成，设计出一个用于实际图像高清化的深度残差网络，在 AIM 2020 实际图像高清化挑战赛上荣获三项第一。

    Sep, 2020