Jan, 2022

基于参考图像的超分辨率：自上而下的 PatchMatch 嵌入与多尺度动态聚合

PDF
TL;DR本文提出一种使用参考图像进行超分辨率的加速多尺度聚合网络（AMSA），包括粗到细嵌入式 PatchMatch（CFE-PatchMatch）和多尺度动态聚合（MSDA）模块，旨在提高匹配效率，降低计算成本，并增强对跨尺度的鲁棒性，实验结果表明，该方法在定量和定性评估方面均优于现有方法。
reference-based super-resolutionaccelerated multi-scale aggregationembedded patchmatchmulti-scale dynamic aggregationscale misalignment
发现论文，激发创造
  • MASA-SR: 基于参考图像的图像超分辨率匹配加速与空间自适应

    本文提出 MASA 网络用于参考图像超分辨率 (RefSR)，其中提出了两个创新模块用于解决当前方法中存在的计算开销大、分布不一致等问题，并通过定量和定性实验验证了模型的有效性。

    Jun, 2021

  • 高效纹理匹配与注意力梯度增强的大规模图像超分辨率重建

    参考图像超分辨率的关键词是 Reference-Based image super-resolution、attention mechanisms、deep architectures、texture match 和 Super Resolution。该方法通过引入注意机制，从参考高分辨率图像中转移高分辨率纹理，提高低分辨率图像的质量。对于每个低分辨率补丁，我们使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并找到 $k$ 个最相关的纹理匹配，从而获得准确的纹理匹配。通过使用简单的残差架构和梯度密度信息来增强超分辨率结果，显示了有竞争力的指标结果：PSNR 和 SSMI。

    Oct, 2023

  • 一种纹理自适应聚合的基于参考图像的超分辨率特征重用框架

    本文提出了一种特征重用框架，用于引导逐步纹理重建过程，减少感知损失和对抗性损失的负面影响，并通过单图特征嵌入模块和纹理自适应聚合模块来进行准确的对应匹配和纹理信息传输，从而增强了参考纹理的利用并减少了误用。

    Jun, 2023

  • 多层特征聚合与递归对齐网络在实时语义分割中的应用

    通过引入多级特征聚合和递归对齐网络 (MFARANet)，在实时推理速度下实现高分割准确度；利用 ResNet-18 作为骨干网络并提出三个核心组件来弥补由于骨干网络较浅导致的模型容量不足；在三个基准数据集上进行了综合实验，结果表明我们的方法在速度和准确度之间达到了更好的平衡。

    Feb, 2024

  • 基于注意力机制的多参考学习用于图像超分辨率

    本文提出了一种新颖的基于注意力的多参考超分辨率网络（AMRSR），该网络可以在保持空间相干性的同时，通过学习从多个参考图像中自适应地传输最相似的纹理到超分辨率输出来提高细节。与现有的参考超分辨率方法相比，多参考和分层注意力采样方法的结合实现了显着改进。

    Aug, 2021

  • 双摄像头对齐注意力模块超分辨率

    该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法，针对双摄像头超分辨率进行了重点研究，其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用：双摄像头超分辨率，并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外，为了弥合现实世界图像和训练图像之间的领域差距，该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明，该方法在定量评估和视觉比较方面均显著优于现有最优方法。

    Sep, 2021

  • 基于曲率引导的动态尺度网络在多视图立体匹配中的应用

    本文提出了一种动态尺度特征提取网络 (CDSFNet)，通过引导图像表面的法线曲率选择适当的补丁尺度，以学习判别特征，进而提高匹配成本的性能，该方法在复杂的室外场景中性能优于其他最先进的方法，并能够以更快的运行时间和更低的内存处理更高分辨率的输入。

    Dec, 2021

  • 单图像去噪的多尺度自适应网络

    本文提出了一种基于多尺度自适应网络的单张图像去噪方法 (MSANet), 它同时考虑了尺度间的互补性和尺度内部的特征，并提出了自适应特征块 (AFeB), 自适应多尺度块 (AMB) 和自适应融合块 (AFuB) 进行实现，并在多组图片去噪实验中展现出比传统方法更好的表现。

    Mar, 2022

  • 基于多注意力的超轻量级图像超分辨率

    本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

    Aug, 2020

  • 特征域多尺度块匹配学习的分布式图像压缩

    采用多尺度特征域补丁匹配（MSFDPM）模块来充分利用分布式图像压缩模型中的附加信息，从而比图像域中的补丁匹配方法（Ayzik 和 Avidan 2020）更好地解决了视差问题，并提高了约 20% 的压缩率。

    Sep, 2022