Jun, 2021

傅里叶空间损失用于高效的感知式图像超分辨率

PDF
TL;DR本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法，利用新型 Loss Function 提升低复杂度生成器网络的表现，以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN 和 SRFlow 等最先进感知超分辨率方法相当的结果，并且比这些方法快 2.4 倍至 48 倍不等。
super-resolutionefficiencyloss functionsfourier domainperceptual image quality
发现论文，激发创造
  • 通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影

    通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。

    Feb, 2024

  • 将空间信息融入 GAN 超分辨率模型的损失函数的通用方法

    在这篇文章中，我们提出了一种通用方法，可以在大多数基于生成对抗网络（GANs）的超分辨率（SR）模型中有效地引入空间信息，并将其导入训练损失，从而减少产生的伪影和噪声，最终提高感知质量。

    Mar, 2024

  • 用于实时风格转换和超分辨率的感知损失

    该研究探讨了一种使用感知损失函数训练卷积神经网络进行图像转换任务的方法，在图像风格迁移和单一图像超分辨率方面获得了较好的实验结果。

    Mar, 2016

  • 具有可学习的频率感知丢失先验的分层神经运算器变压器用于任意尺度超分辨率

    本研究提出了一种任意尺度的超分辨率方法，用于提高科学数据的分辨率；基于算子学习，使用分层神经算子和自注意机制，利用 Sinc 滤波器实现不同层级之间的信息传递，并引入可学习的先验结构动态调整像素贡献权重，从而有效平衡模型中的梯度；在多个领域的不同数据集上进行了大量实验证明相对于最先进的方法，本方法有着持续的改进。

    May, 2024

  • 实际场景超分辨率的频率分离

    使用 DSGAN 结构进行无监督学习，将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术，只需对高频部分进行对抗性训练，从而极大地提高超分辨率模型在真实世界图像上的性能表现。

    Nov, 2019

  • 图像重建与合成的焦点频率损失

    本研究展示了狭窄频率域中缩小误差能够进一步改善图像重建和合成质量，提出了新的焦点频率损失函数并在多种流行的模型中展示其作用，同时对 StyleGAN2 的潜在性进行了探讨。

    Dec, 2020

  • 通过隐式扩散实现图像超分辨率：一种基于采样空间混合模型的专家和频率增强解码器方法

    通过使用扩展的预训练文本图像模型进行扩散先验处理，本研究提出了基于频率补偿模块和样本空间多专家混合（SS-MoE）的潜在空间方法，以提高图像超分辨率的性能。

    Oct, 2023

  • 图像恢复的引导频率损失

    本研究提出了引导频率损失（GFL）方法，通过聚合 Charbonnier 组件、拉普拉斯金字塔组件和渐进频率组件，有助于在图像频率内容和空间内容之间平衡地学习，通过对超分辨率和降噪任务的实验发现，GFL 损失方法在大多数实验中提高了 PSNR 指标，并且在 SwinIR 和 SRGAN 的超分辨率模型的训练中也取得了改善。

    Sep, 2023

  • 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

  • 基于生成对抗网络的图像超分辨率技术研究：以感知内容损失为依据

    本论文提出了一种深度生成对抗网络用于超分辨率，考虑了感知与失真之间的权衡，采用传统内容损失的基础上，使用离散余弦变换系数损失和差分内容损失来考虑内容感知，实现高分辨率图像的恢复。实验结果表明该模型在恢复图像的视觉效果和失真程度方面具有良好的性能，是一种有效的感知超分辨率应用算法。

    Sep, 2018