Feb, 2022

结构增强图像超分辨率的梯度方差损失

PDF
TL;DR本文提出了一种名为 Gradient Variance (GV) loss 的结构增强的损失函数，用于训练模型生成高分辨率图像，以解决使用 L1 或 L2 损失函数时模型无法恢复高分辨率图像中锐利边缘的问题。实验结果表明，GV 损失可以显著提高现有图像超分辨率深度学习模型的结构相似性 (SSIM) 和峰值信噪比 (PSNR) 性能。
single image super-resolutionconvolutional neural networksgradient variance losshigh-resolution imagessharp edges
发现论文，激发创造
  • 具有梯度引导的结构保持超分辨率

    本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

    Mar, 2020

  • 结构保持的图像超分辨率

    本文提出了一种基于 GAN 方法的图像超分辨率算法，通过梯度信息作为额外的结构先验，以结构保留的方式减少回复的图像中的不良结构畸变，并引入可学习的神经结构提取器（NSE）来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明，该方法优于当前基于感知的 SR 方法。

    Sep, 2021

  • 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

    通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

    Apr, 2024

  • 一种基于改进 U-net 和混合梯度损失的单图像超分辨率方法

    本文提出了一种基于 Mixed Gradient Error 的深度学习网络 ——Modified U-net，将其作为损失函数，减少网络参数，从而加速图像重构，与现有方法相比，该重构方法具有更好的性能和时间消耗。

    Nov, 2019

  • 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

  • 图像超分辨率质量评估：结构保真度对统计自然性的权衡

    本研究评估了单图像超分辨率 (SISR) 生成的图像的质量，在结构保真度和统计自然性这两个维度的二维空间内观察不同 SISR 算法的行为，进一步证明了全球性质的重要性，并提出了一个新模型 - SFSN 模型进行质量预测。

    May, 2021

  • 基于流形和感知损失的强鲁棒性超分辨率 GAN

    该研究提出了一种新的损失函数，它对临床训练数据集的缺失更为稳健，并应用到使用深度神经网络进行超分辨率图像处理领域中。通过自动编码器进行流形距离，使超分辨率图像与高分辨率图像保持相似的纹理内容，达到匹配人类对结构、亮度和对比度的感知效果。作者在大规模临床数据集上进行了实验验证，并将其与现有技术进行了比较。

    Mar, 2019

  • SRPGAN：单图像超分辨率视觉生成对抗网络

    本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

    Dec, 2017

  • 改进生成对抗网络用于视频超分辨率

    我们研究了如何改进生成对抗网络进行视频超分辨率任务的方法，通过基于单图像超分辨率 GAN 模型来探讨不同的技术。我们的研究结果表明，包括时间平滑、长短期记忆（LSTM）层和时间损失函数在内的技术组合相比基础视频超分辨率生成对抗网络（GAN）模型在 PSNR 上有 11.97% 的提升，在 SSIM 上有 8% 的提升。这个重大的改进为进一步应用于当前最先进的模型提供了潜在机会。

    Jun, 2024

  • 学习单个卷积超分辨率网络以处理多种降质

    我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

    Dec, 2017