Apr, 2021

一种两阶段注意力网络的单幅图像超分辨率方法

PDF
TL;DR本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果
deep convolutional neural networkssingle image super-resolutioncontextual informationmulti-context attentive blockrefined attention block
发现论文，激发创造
  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 对称视觉注意力网络实现高效图像超分辨率

    通过应用大感受野，我们提出了一种称为 Symmetric Visual Attention Network (SVAN) 的方法来改进高效超分辨率重建，减少了算法参数的数量并提高了模型的感知能力。实验结果表明，我们的方法只使用了现有 SOTA 方法约 30% 的参数，却能获得高质量的超分辨率重建结果。

    Jan, 2024

  • 用于轻量级单图像超分辨率的动态残差自注意力网络

    本文提出了一种动态残差自注意力网络 (DRSAN) 用于轻量级单图像超分辨率，着重于建筑块之间的残差连接的自动设计，该网络通过动态残差关注 (DRA) 调整它的结构以适应输入统计数据，并进一步使用残差自注意力 (RSA) 模块提高性能。实验结果表明，DRSAN 在 SISR 的网络性能与计算复杂度之间提供了有效的权衡。

    Dec, 2021

  • 图像超分辨率的迭代网络

    本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

    May, 2020

  • 利用特权信息学习高效图像超分辨率

    本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN，该方法使用极小的网络参数达到了良好的效果，并使用一种新颖的蒸馏框架，通过教师和学生网络进行高分辨率的重建，大大提升了网络性能。

    Jul, 2020

  • 基于辅助特征学习的轻量级单图像超分辨率网络

    通过提出的关注辅助特征（A^2F）为基础，我们开发了一种计算效率高但准确性良好的网络以用于单幅图像超分辨率（SISR）处理，并且在大规模数据集上的实验结果证明了该模型的有效性。

    Nov, 2020

  • 蓝图可分离残差网络用于高效图像超分辨率

    本文介绍了一种名为 Blueprint Separable Residual Network（BSRN）的超分辨率模型。该模型使用 blueprint separable convolution（BSConv）替代了冗余的卷积操作，并引入了更有效的注意力机制，实现了高效的图像超分辨率，是目前效果最好的超分辨率方法之一。

    May, 2022

  • 图像超分辨率中的注意力注意网络

    本研究提出了一种新的超分辨率模型 ——A^2N 模型，该模型中引入了注意力机制，并通过动态调整注意力机制使模型达到更高的性能。实验表明，该模型表现出优异的性能。

    Apr, 2021

  • 学习单个卷积超分辨率网络以处理多种降质

    我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

    Dec, 2017

  • 深度 CNN 中使用 Skip 连接和 NiN 网络的快速准确图像超分辨率

    使用深度卷积神经网络（Deep CNN）的单幅图像超分辨率（SISR）模型，包括残差网络、跳跃连接和网络中的网络（DCSCN），结合局部和全局特征提取器和并行 1x1 卷积神经网络实现了具有至少 10 倍较低计算成本的最好的图像重建性能，优化了每个 CNN 层和滤波器的数量，以显著降低计算成本。

    Jul, 2017