CVPRMar, 2022

细节还是图像：一种本地判别学习方法用于实现逼真的图像超分辨率

PDF
TL;DR本文提出了一种基于局部统计的判别学习（LDL）方法，以训练一种稳定生成感性真实细节且抑制视觉伪像的基于 GAN 的单图像超分辨率模型，实现了比最先进 GAN 方法更高的重建精度和更好的感性质量。
single image super-resolutiongenerative adversarial networksartifact maplocally discriminative learningperceptual quality
发现论文，激发创造
  • 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

  • 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

  • 基于 Best-Buddy GAN 架构的高清晰度图像超分辨率

    本研究提出了一种基于 best-buddy GANs 的方法来解决单幅图像超分辨率问题，采用灵活的多对多映射策略来寻求最佳监督；同时，采用区域感知的敌对学习策略，使得算法能够适应不同的纹理区域，产生更合理的细节结果。

    Mar, 2021

  • 自然真实的单图像超分辨率与显式自然流形判别

    本研究提出了一种新颖的方法，基于低级域天然先验规律和自然流形约束去实现高感知质量和真实感重构的超分辨率图像，相比于其他算法，获得了更好的自然感和更真实的图像重构效果。

    Nov, 2019

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • 针对 3D 脑部 MRI 超分辨率的增强生成对抗网络

    该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR，并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理，并提出了一种新颖的解剖学保真度评估方法，这些开发通过一种简单，高效的方法结合起来，以实现影像和质地质量之间的平衡。

    Jul, 2019

  • 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

  • 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

  • 基于渐进感知的单幅图像超分辨率网络

    本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

    Jul, 2019

  • DeSRA：检测和删除基于 GAN 的真实世界超分辨率模型的伪影

    本文通过分析 GAN 生成的超分辨率图像在测试数据中产生的众多不良伪影和失真的原因和特征，设计了一种新方法 DeSRA 来检测和消除这些不良伪影和失真，提高了超分辨率模型在实际应用中的表现。

    Jul, 2023