Nov, 2021

标准流作为照片逼真超分辨率的灵活保真目标

PDF
TL;DR本研究针对超分辨率问题的模糊化现象，以条件流为基础，探究了一种更优的代替像素误差目标函数的方法，应用于拟真超分辨率领域中具体的三个数据集，得到了较高的视觉表现和一致性。
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

  • PSRFlow: 用基于流的模型进行科学数据的概率超分辨率

    提出了 PSRFlow，一种基于归一化流的科学数据超分辨率生成模型，它将不确定性量化结合到超分辨率过程中，并通过从高分辨率数据中捕捉缺失信息的高斯潜在空间进行采样生成了不同的超分辨率输出，达到了对超分辨率结果进行鲁棒的不确定性量化。

    Aug, 2023

  • 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

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

    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。

    Aug, 2021

  • 用于实时风格转换和超分辨率的感知损失

    该研究探讨了一种使用感知损失函数训练卷积神经网络进行图像转换任务的方法，在图像风格迁移和单一图像超分辨率方面获得了较好的实验结果。

    Mar, 2016

  • 利用正则化流进行低光照图像增强

    本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系，通过一个可逆网络，将低光图像 / 特征作为条件，学习将正常曝光图像的分布映射到高斯分布，从而得以更好地建模正常曝光图像的条件分布，在提高图像亮度、减少噪声和伪影、增强色彩方面表现出更好的定量和定性结果。

    Sep, 2021

  • 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

  • 像素递归超分辨率

    该论文提出了一个像素递归超分辨率模型，可综合提高图像的分辨率并增强其真实感；该模型能够表示多模态条件分布，使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络，保持了照片的真实感。

    Feb, 2017

  • 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