Jan, 2022

重访 RCAN：图像超分辨率的改进训练

PDF
TL;DR该论文重新审视优化 RCAN 模型的不同训练选项对图像超分辨率的影响，指出 RCAN 能够在标准基准上通过适当的训练策略和最小的体系结构修改优化，胜过或匹配几乎所有基于 CNN 的超分辨率架构。此外，该训练发现通过提高训练迭代次数明显提高了模型性能，而应用正则化技术通常会降低预测精度，同时推荐使用简化后的 RCAN 模型作为未来研究的基准模型。
发现论文，激发创造
  • 利用非常深的残差通道注意力网络进行图像超分辨率

    通过使用残差通道注意力网络 (RCAN) 的残差内残差结构 (RIR) 和通道注意力机制，我们可以实现深度图像超分辨率，并在准确度和视觉效果上优于现有方法。

    Jul, 2018

  • 深度递归卷积神经网络图像超分辨率

    使用深度递归卷积神经网络的图像超分辨率方法，在递归深度增加时，不需要引入新的卷积参数，通过递归监督和跳过连接来缓解训练的困难，并在性能上显著优于之前的方法。

    Nov, 2015

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 关于卫星图像超分辨率的深度网络训练

    本研究通过实验研究发现，训练数据对超分辨率重建性能有很大影响，特别是对于卫星图像，而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法，因此，改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。

    Jun, 2019

  • 使用深度卷积网络进行精确图像超分辨率

    本研究提出了一种用于单幅图像超分辨率的高精度方法，利用 VGG-net 进行训练，使用 20 个卷积层避免过拟合，训练方法基于小滤波器，只学习残差，并使用极高的学习率。实验表明，该方法在精度上优于现有方法。

    Nov, 2015

  • 基于深度学习的单幅图像超分辨率的全面综述

    本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

    Feb, 2021

  • 使用深度卷积神经网络的压缩图像超分辨率重建

    本文提出了一种基于深度卷积神经网络的端到端训练模型，用于对压缩图像进行超分辨率重建和压缩伪影去除，实验证明该模型在 JPEG 压缩图像上表现出优异的超分辨率性能和比 JPEG 更好的速率 - 失真性能。

    Sep, 2017

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    本文提出了一种新的图像超分辨率方法，该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块，同时在潜在特征空间中进行上采样，并通过多尺度 HR 重建以获得更精确的图像恢复，进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。

    Jul, 2016

  • 加速超分辨率卷积神经网络

    本研究致力于加速 Super-Resolution Convolutional Neural Network，并提出了一个紧凑的 hourglass-shape CNN 结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过 40 倍的速度提升和优越的恢复质量。

    Aug, 2016

  • 基于迭代优化的图像超分辨率提升

    本研究提出了 SR3 方法，通过重复精细的降噪扩散概率模型，采用随机去噪过程并通过 U-Net 模型进行迭代 refinement，实现图像超分辨率，在面部和自然图像的不同放大因素的超分辨率任务中表现强劲，与 SOTA GAN 方法进行人工评估，SR3 实现了近 50％的 fool 率，表明输出具有照片逼真度，同时 GANs 不超过 34％的 fool 率。我们进一步展示 SR3 在级联图像生成中的有效性，其中生成模型与超分辨率模型链接，使 ImageNet 的竞争 FID 得分为 11.3。

    Apr, 2021