May, 2021

盲目超分辨率的端到端交替优化

PDF
TL;DR采用交替优化算法，设计卷积神经模块 Restorer 和 Estimator，将其交替使用，以构建端到端可训练网络。实验结果表明，该方法可以大大优于现有的方法，并以更高的速度产生可视更优的结果。
blind super-resolutionestimation algorithmalternating optimizationconvolutional neural modulesend-to-end trainable network
发现论文，激发创造
  • 盲超分辨率的交替优化展开

    该论文提出了一种用于盲超分辨率的交替优化卷积神经网络，包括恢复器和估计器，能够在单个模型中同时估计模糊核和还原超分辨率图像，并利用交替优化的方式达到更好的效果。

    Oct, 2020

  • 实际环境中盲超分辨率的端到端交替优化

    采用交替优化算法，通过设计卷积神经网络模块 Restorer 和 Estimator，实现了盲超分辨率重建，克服了降解估计准确性不高的问题，从而获得更鲁棒和准确的最终结果。

    Aug, 2023

  • 深度盲视频超分辨率

    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

  • 盲目图像超分辨率的深度约束最小二乘法

    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

  • S2R: 探索一种双赢的基于 Transformer 的理想和盲超分辨率框架

    现在，基于深度学习的方法在理想的超分辨率（SR）数据集上展现出了令人印象深刻的性能，但在应用于具有不可预测模糊核的现实 SR 重建任务时，大多数这些方法会显著降低性能。为了解决这个问题，提出了盲 SR 方法来改善随机模糊核造成的视觉结果，这同样导致理想低分辨率图像的重建效果不理想。本文提出了一个用于理想和盲 SR 任务的双赢框架，命名为 S2R，包括一个轻量级的基于 transformer 的 SR 模型（S2R transformer）和一种新颖的自上而下的训练策略，可以在理想和随机模糊条件下实现出色的视觉结果。在算法层面上，S2R transformer 巧妙地组合了一些高效且轻量级的块，以增强提取特征的表示能力，并且具有相对较少的参数。对于训练策略，首先进行粗粒度的学习过程，通过大规模外部数据集的帮助来改进网络的泛化能力，然后，开发了一种快速微调过程，通过挖掘图像的内部特征将预训练模型转移到现实 SR 任务中。实验结果表明，提出的 S2R 在理想的 SR 条件下仅使用 578K 参数就优于其他单图像 SR 模型。同时，在盲模糊条件下，它可以实现比常规盲 SR 模型更好的视觉效果，仅使用 10 次渐变更新就提高了收敛速度 300 倍，显著加速了在现实世界情况下的迁移学习过程。

    Aug, 2023

  • KOALAnet：基于核心的自适应局部调整的盲超分辨率方法

    本文提出了一种新的盲超分辨率框架 KOALAnet，它基于 Kernel-Oriented 自适应局部调整（KOALA）SR 特征，联合学习在实际图像中适应于空间变异模糊特征的空间变型退化和恢复核，可处理艺术照片中的故意模糊并产生最自然的结果。

    Dec, 2020

  • 基于深度学习的盲图像超分辨率：迭代核重建和噪声估计

    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

  • 使用内部 GAN 盲超分辨率核估计

    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

  • 简单，准确和鲁棒的非参数盲超分辨率

    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

  • 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