ICCVAug, 2021

Hierarchical Conditional Flow：一种用于图像超分辨率和图像缩放的统一框架

PDF
TL;DR该研究提出了一种称为 hierarchical conditional flow (HCFlow) 的统一框架，它可以同时用于图像超分辨率和图像缩放任务，采用正则化流模型，并且采用感知损失和 GAN 损失来提高性能，在广泛的实验中展示了最先进的视觉效果。
normalizing flowsimage super-resolutionimage rescalinghierarchical conditional flowperceptual loss
发现论文，激发创造
  • SRFlow: 学习归一化流的超分辨空间

    该论文提出了一种基于正则化流的超分辨率方法 SRFlow，它可以通过训练学习输入低分辨率图像与输出高分辨率图像之间的条件分布，进而解决该问题多解的困难并提高了图像的处理能力。

    Jun, 2020

  • LoLiSRFlow: 跨尺度变换器条件流的联合单图像低光增强与超分辨率

    通过提出一种新的网络模型，名为 LoLiSRFLow，该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题，并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。

    Feb, 2024

  • 任意尺度图像超分辨率的本地隐式归一化流

    本文提出了一种名为 LINF 的算法，使用局部隐式正则化流对超分辨率进行任意尺度的处理，可以生成具有丰富纹理细节的照片般逼真的高分辨率图像，并在大量实验中证明了 LINF 与先前的任意尺度超分辨率方法相比具有最先进的感知质量。

    Mar, 2023

  • 学习无配对真实世界图像的多对多映射进行图像超分辨率和图像降采样

    该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。

    Oct, 2023

  • 基于噪声条件流模型的超分辨空间学习

    提出了一种基于噪声条件流模型（NCSR）的超分辨率算法，通过噪声条件层，增加了图像的视觉质量和多样性，并且解决了正则化流模型中存在的数据分布不匹配问题。实验证明，NCSR 在多样性和视觉质量方面均优于基线和传统 GAN 模型，并在 NTIRE 2021 挑战中取得了最佳成绩。

    Jun, 2021

  • 通过高分辨率光流估计进行视频超分辨率学习

    本文提出了一个端到端可训练的视频超分辨率框架，使用 HR 光流可提供更精确的对应关系并提高性能。在 Vid4 和 DAVIS-10 数据集上进行的比较结果显示，我们的框架实现了最先进的表现。

    Sep, 2018

  • 通过学习先验优化基于流动的生成超分辨率模型

    本研究通过引入条件学习的先验来解决流式超分辨率模型中的问题，并成功提升了各种超分辨率场景中的性能。

    Mar, 2024

  • 利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签

    利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

    Nov, 2020

  • 使用高分辨率光流估计的深度视频超分辨率

    本文提出了一种用于视频超分辨率的端到端深度学习网络，其中通过光流重建和图像超分辨率的结合，采用粗到细的方式实现了高分辨率光流的重建和精细细节的恢复，以解决视频 SR 中针对低分辨率光流与高分辨率输出间存在的分辨率矛盾问题，并通过广泛实验证明了其在提高视频 SR 性能方面的有效性及其在 Vid4 和 DAVIS-10 数据集上的最新成果。

    Jan, 2020

  • 基于上下文化多任务学习的结构保持图像超分辨率

    本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

    Jul, 2017