盲图像超分辨率:调查与发展
本文综述了近年来深度学习在图像超分辨率中的广泛应用,重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题,并提出了未来需要进一步研究的方向和问题。
Feb, 2019
本研究调查了单图像超分辨率的经典方法和基于深度学习的方法,将这些方法分类为四类,并介绍了 SR 的问题,提供了图像质量指标,参考数据集和 SR 的挑战。其中包括 EDSR,CinCGAN,MSRN 等最先进的图像 SR 方法。
Feb, 2021
本研究在 14 个小数据集上进行了高倍率 (8x) 的盲图像超分辨率 (DL) 技术的评估,包括 Adaptive Pseudo Augmentation (APA)、Blind Image SR with Spatially Variant Degradations (BlindSR)、 Deep Alternating Network (DAN)、FastGAN 和 Mixture of Experts Super-Resolution (MoESR),并使用 NIQE 和 MANIQA 评估这些方法的表现。其中,MoESR 被认为是最好的解决方案,但所有技术创建的 HR 图像的感知质量仍需要改进。
Jun, 2023
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
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
利用深度学习在单图像超分辨率(SISR)方面取得了显著进展,尽管大部分现有工作假设简单且固定的降级模型,但盲目超分辨率的研究旨在改进对未知降级能力的建模,本文提出了一种更合适的训练策略利用 Dropout 来提高盲目超分辨率的模型泛化能力,同时降低 Dropout 引入的不良副作用,我们通过理论和实验分析展示了这种方法的效果,并通过调整一阶和二阶特征统计量提出了另一种简单但有效的训练策略,该方法在包括合成和真实世界场景在内的七个基准数据集上表现更好,可作为一种与模型无关的正则化方法。
Feb, 2024
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
设计了一种名为 CRL-SR 的网络进行盲超分辨率重建,可以有效应对多模式、空间变量和未知分布的图像降质,其应用了对比度表示学习和对比度特征强化两种策略,并在实验中验证了其在超分辨率重建上的优越性。
Jul, 2021
该论文系统研究了基于深度学习的 33 种视频超分辨率方法,提出了一个分类法并将这些方法分属到六个子类中,并详细描述了所有方法的体系结构和实现细节。通过在一些基准数据集上对代表性 VSR 方法的性能进行总结和比较,讨论了 VSR 领域中需要进一步研究的一些挑战。这项工作预计对 VSR 技术的深度学习方法做出贡献,从而深化我们对该领域的理解,并成为该领域中最早的系统研究之一。
Jul, 2020
通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较,本文全面评估了基于深度学习的单个图像超分辨率(SISR)方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现,并讨论了 RSISR 的挑战和未来研究方向。
Mar, 2021