Jun, 2021

交互增强的立体图像超分辨率与视差估计的反馈网络

PDF
TL;DR该研究提出了一种基于双递归子网络的立体图像超分辨率和视差估计反馈网络 (SSRDE-FNet)，在低分辨率空间利用跨视图信息，通过高分辨率特征聚合产生更精细的 SR 结果，并提出了 HR Disparity Information Feedback（HRDIF）机制，可将 HR disparity 的信息反馈到前期以进一步细化 SR 图像重构，从而提高了系统的性能。
stereo super-resolutiondisparity estimationcross-view informationfeedback networkhr disparity information
发现论文，激发创造
  • 使用视差约束并行注意力的立体内窥镜图像超分辨率

    本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

    Mar, 2020

  • 图像超分辨率反馈网络

    本研究介绍了一种利用循环神经网络中隐藏状态和反馈机制进行图像超分辨率的新方法，该方法在多种图像降质情况下具有优越性能，并进行了课程学习来适应更复杂的任务。

    Mar, 2019

  • BridgeNet: 深度图像超分辨率和单目深度估计联合学习网络

    本文提出一个基于多任务学习的联合深度图超分辨率与单目深度估计网络，采用不同的引导策略设计两个桥梁，一个是用于特征编码过程的高频注意力桥梁，另一个是用于深度图重建过程的内容引导桥梁，实验证明该方法在基准数据集上具有竞争性能。

    Jul, 2021

  • 轻量级立体图像超分辨率的多层特征融合网络

    我们提出了一种高效的轻量级立体图像超分辨率多级特征融合网络（MFFSSR），通过利用混合注意力特征提取块（HAFEB）提取多级视角内部特征，并使用通道分离策略与嵌入的视角交互模块有效地进行交互，该结构配置能够在改善跨视角信息共享效率的同时有效挖掘视图内的特征，从而更准确地重构图像细节和纹理。通过丰富的实验证明了 MFFSSR 的有效性，我们在更少的参数下实现了卓越的性能。源代码可在此 URL 找到。

    May, 2024

  • 学习用于立体影像超分辨率的准确且丰富特征

    本研究提出了一种混合尺度选择性融合网络（MSSFNet），用于提高立体图像超分辨率（stereoSR）结果的质量，包括保留精确的空间细节和丰富的上下文信息，并自适应地选择和融合来自两个视角的最准确的特征，以增强高质量的 stereoSR 效果。

    Jun, 2024

  • 图像超分辨率的深度边缘引导循环残差学习

    本论文提出了一种名为 DEGREE 的神经网络，其利用递归残差学习深度引导边缘增强的技术，通过次带频率分解来有效地恢复图像的高频细节和保持其边缘细节，与传统方法相比，在三个标准数据集上达到了更优秀的还原效果。

    Apr, 2016

  • 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

  • 感知导向的立体图像超分辨率

    该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

    Jul, 2022

  • 联合去马赛克与超分辨率（JDSR）：网络设计与感知优化

    该研究通过提出一个联合去马赛克和超分辨率算法，使用一种最新的端到端优化模型，基于 RDSEN 网络和 TRaGAN 对质量进行优化，证明了联合去马赛克和超分辨率方法的实用性和合理性，并在拍摄自 NASA 火星好奇号和标准数码照片上得到了显著改进。

    Nov, 2019

  • 结构流导向网络用于真实深度超分辨率

    本文提出了一种新的结构流引导的 DSR 框架，其中学习交叉模态流图来指导 RGB - 结构信息的传输，以实现精确的深度超分辨率提升，经过对真实和合成 DSR 数据集的广泛实验，验证了该方法相对于现有技术的卓越性能。

    Jan, 2023