CVPRJun, 2021

基于 C2 匹配的稳健参考图像超分辨率

PDF
TL;DR本文提出了一种名为 C2-Matching 的方法，用于通过引入高分辨率参考图像增强低分辨率输入图像。该方法解决了输入和参考图像之间的尺度、旋转和分辨率差异等挑战，并在基准测试 CUFED5 数据集上比现有的 Ref-SR 方法表现出更高的性能，同时还表现出在大尺度和旋转变换方面的稳健性。同时本文贡献了一个名为 WR-SR 的数据集，模拟实际使用场景。
reference-based super-resolutionc2-matchingtransformation-robust correspondencesresolution gapwebly-referenced sr dataset
发现论文，激发创造
  • CrossNet：一种端到端的参考图像超分辨率网络，使用跨尺度对齐

    CrossNet 是一个端到端的、全卷积的深度神经网络，采用跨尺度的对齐方式来进行参考图像与低分辨率图像的对齐，提高了准确性和效率。

    Jul, 2018

  • 神经纹理迁移图像超分辨率

    本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

    Mar, 2019

  • KeDuSR：通过无核匹配实现真实世界双镜头超分辨率

    利用双镜头进行超分辨率图像重建，首先通过全局和局部变形将参考图像与低分辨率图像对齐，然后利用无核匹配策略完成图像配准，解决了分辨率差异和保持一致性的问题，并通过构建数据集验证了方法的有效性。

    Dec, 2023

  • MASA-SR: 基于参考图像的图像超分辨率匹配加速与空间自适应

    本文提出 MASA 网络用于参考图像超分辨率 (RefSR)，其中提出了两个创新模块用于解决当前方法中存在的计算开销大、分布不一致等问题，并通过定量和定性实验验证了模型的有效性。

    Jun, 2021

  • 跨领域对齐：一种用于遥感图像基于参考的超分辨率的简单领域匹配方法

    利用领域匹配（DM）模块改进了参考图像超分辨率（RefSR）模型，在遥感图像超分辨率任务中取得了定性和定量上的性能提升。

    Jan, 2024

  • 双摄像头对齐注意力模块超分辨率

    该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

    Sep, 2021

  • 基于参考图像的图像超分辨率的细节增强框架

    通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

    May, 2024

  • 通过具有隐含高分辨率先验的特征匹配实现实际盲超分辨率

    本文提出了一种名为特征匹配 SR（FeMaSR）的方法。该方法在预训练的 HR 先验信息空间中进行图像恢复，通过匹配失真的 LR 图像特征与 HR 先验信息中的无失真特征码本相匹配，并解码匹配的特征来重建逼真的 HR 图像，实验结果显示该方法比以前的方法更逼真。

    Feb, 2022

  • RZSR: 基于参考和深度引导的零样本超分辨率与自我示范

    该研究提出了一种被称为参考零样例超分辨 (RZSR) 的方法，该方法结合了参考超分辨 (RefSR) 和零样例超分辨 (ZSSR) 两种策略，利用内部参考数据集和非局部注意力模块，从图像自身提取纹理丰富、高频细节的参考图像块，训练出一种图像特定的超分辨网络，在超分辨任务中具有出色表现。

    Aug, 2022

  • RefVSR++：利用参考输入进行基于参考的视频超分辨率

    智能手机配备多摄像头系统和参考超分辨率以及视频超分辨率，可以同时改善图像质量；本文提出了 RefVSR 和 RefVSR++ 方法，通过独立地在时间方向上聚合图像序列并改进对齐机制，RefVSR++ 在 PSNR 上超过 RefVSR 1dB，达到最新的技术水平。

    Jul, 2023