ICCVAug, 2021

盲目图像超分辨率中的空间可变核估计的互补亚线性网络

PDF
TL;DR本研究提出了一种名为 MANet 的方法，通过使用互相仿射卷积层来估计具有空间变异的模糊核，对于实际图片的盲人图像超分辨率重建问题具有良好的性能表现。
image super-resolutionblind srkernel estimationspatially variantmutual affine network
发现论文，激发创造
  • 学习空间不变模糊估计的盲图像超分辨率方法：改善 “CMOS” 传感器成像清晰度

    通过引入两个包含非对焦散焦的新数据集 NYUv2-BSR 和 Cityscapes-BSR，分析不具有空间不变性的空间变异性使传统的盲超分辨率 (SR) 方法性能严重下降，并设计了一种新的 CMOS 网络来同时估计图像的位置不变性和语境，实验结果表明了其方法优于目前技术的传统方法。

    Apr, 2023

  • KOALAnet：基于核心的自适应局部调整的盲超分辨率方法

    本文提出了一种新的盲超分辨率框架 KOALAnet，它基于 Kernel-Oriented 自适应局部调整（KOALA）SR 特征，联合学习在实际图像中适应于空间变异模糊特征的空间变型退化和恢复核，可处理艺术照片中的故意模糊并产生最自然的结果。

    Dec, 2020

  • 深度盲视频超分辨率

    本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

    Mar, 2020

  • 自适应多模态融合的空间变体核细化与扩散模型盲图像超分辨率

    利用预训练的扩散模型进行图像生成，包含大量关于复杂纹理的先验知识。为了解决现有方法在扩散过程中忽视退化信息约束以及空间变异性的问题，本文提出了自适应多模态融合空间变异核细化与扩散模型的盲超分辨率图像方法 (SSR)。通过引入空间变异核细化模块 (SVKR)，结合深度信息和模糊核估计，以及自适应多模态融合模块 (AMF) 对低分辨率图像、深度图和模糊核信息进行优化调整，实现更真实的超分辨率结果。实验证明了本文方法的有效性和优越性。

    Mar, 2024

  • 单幅图像超分辨率的多尺度注意力网络

    本文提出了一个卷积神经网络（CNN）的多尺度关注网络（MAN），其中包括多尺度大型核关注（MLKA）和门控空间关注单元（GSAU），以提高卷积 SR 网络的性能。实验结果表明，我们的 MAN 可以在不同的状态下实现各种平衡。

    Sep, 2022

  • MAMNet：基于多路径自适应调制的图像超分辨率网络

    本文提出了一种新型的多路径自适应调制网络（MAMNet）来解决图像超分辨率问题，该网络可以更好地适应不同类型图像的特征，相比其他特征调制方法，具有更好的性能和参数效率，并在实验中表现出超过大部分最先进方法的性能。

    Nov, 2018

  • 简单，准确和鲁棒的非参数盲超分辨率

    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

  • 对称视觉注意力网络实现高效图像超分辨率

    通过应用大感受野，我们提出了一种称为 Symmetric Visual Attention Network (SVAN) 的方法来改进高效超分辨率重建，减少了算法参数的数量并提高了模型的感知能力。实验结果表明，我们的方法只使用了现有 SOTA 方法约 30% 的参数，却能获得高质量的超分辨率重建结果。

    Jan, 2024

  • 图像超分辨率的分摊 MAP 推断

    该研究探讨使用最大后验估计推理方法来解决图像超分辨率问题，并介绍了基于神经网络的自动编码器估计的解决方案，其中使用了 3 种方法以优化 GAN 的效果。

    Oct, 2016

  • 盲目图像超分辨率的深度约束最小二乘法

    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