ICCVAug, 2021

通过对抗鲁棒性实现广义真实世界的超分辨率

PDF
TL;DR该研究提出了一种称为 Robust Super-Resolution (RSR) 的新方法，该方法利用敌对攻击的泛化能力来解决现实世界的超分辨率问题，并证明其相对现有最先进方法在真实世界数据集上的泛化能力更强。
super-resolutionrobustadversarial attacksgeneralizationnoise
发现论文，激发创造
  • 基于中值随机平滑的通用稳健方法用于现实世界超分辨率

    我们的研究探索了提高深度学习超分辨率模型鲁棒性的不同方法的普适性，并发现中值随机平滑在对抗攻击以及标准图像破坏方面比其他方法更具通用性。这些结果支持将真实世界超分辨率方法的发展重心转向鲁棒超分辨率。

    May, 2024

  • 针对对抗性攻击的稳健实际图像超分辨率

    研究了深度神经网络在实际图像超分辨率应用中受到敌对噪声攻击的问题，并提出一种结合频域掩模模块和敌对样本分类器的解决方案，以提高模型的稳定性和鲁棒性。

    Jul, 2022

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 深度图像超分辨率对抗攻击鲁棒性评估

    本文研究基于深度学习的超分辨率方法在对抗攻击下的鲁棒性，旨在生成高分辨率的图像，但实验证明现有方法对抗攻击的鲁棒性较差，不同方法的鲁棒性存在差异，还探讨了攻击的可转移性、有针对性攻击、通用性攻击的可行性。

    Apr, 2019

  • 实际场景下的单幅图像超分辨率：简要综述

    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

  • 扩展合成真实世界退化，用于盲视频超分辨率

    该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络，使其在真实世界的视频超分辨率方面表现更好。结果显示，相较于 RealBasicVSR 在 NRQM 方面提高了 7.1％，相较于 BSRGAN 提高了 3.34％。同时，该论文也提出了一个新的包含高分辨率真实视频的数据集，可作为基准测试的共同参照。

    May, 2023

  • 使用伪监督的无配对图像超分辨率

    本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

    Feb, 2020

  • 研究实际视频超分辨率中的权衡

    通过图像预处理，设计了一种在处理现实世界视频超分辨率中平衡细节合成和伪影抑制的 RealBasicVSR 模型，并且提出了一种随机退化方案来降低训练时间，同时使用更长序列代替更大批次进行训练以提高模型的稳定性。此外，还创建了新的 VideoLQ 数据集来作为基准测试的公共基础。

    Nov, 2021