CVPRApr, 2022

用于高效超分辨率的边缘增强特征蒸馏网络

PDF
TL;DR本文提出通过结合 block devising、architecture searching 和 loss design，构建轻量级卷积神经网络（CNN）来提高图像超分辨率质量。我们提出了一种名为 EFDN 的边缘增强特征蒸馏网络，在受限资源下保留高频信息。该方法构建了基于现有重参数方法的边缘增强卷积模块，并提出了边缘增强梯度损失来校准重参数路径训练。实验结果表明，提出的边缘增强策略能够保留边缘并显著提高最终恢复质量。
convolution neural networkimage super-resolutionedge devicesefdnedge-enhanced gradient loss
发现论文，激发创造
  • 轻量级图像超分辨率残差特征蒸馏网络

    本文提出了一种基于特征蒸馏连接（FDC）的轻量级单图像超分辨率模型，即残差特征蒸馏网络（RFDN），它使用多个特征蒸馏连接来学习更具区分性的特征表示，同时提出了浅残差块（SRB）作为 RFDN 的主要构建块，通过大量实验证明，与现有的最先进方法相比，所提出的 RFDN 在性能和模型复杂度方面有更好的折衷效果，并在 AIM 2020 高效超分辨率挑战赛中获得了第一名。

    Sep, 2020

  • 信息蒸馏网络：快速、精准的单图像超分辨率

    本论文提出了一种深度但紧凑的卷积神经网络，通过特征提取、信息提炼和重构网络三部分组成，使用带有增强单元和压缩单元的信息提炼块提取局部长短路径特征，具有快速执行的优点，实验结果表明其在超分辨率方面优于现有方法，特别是时间表现。

    Mar, 2018

  • 通过对比自蒸馏实现紧凑的单图像超分辨率

    本文提出一种对卷积神经网络进行压缩和加速的新型对比自蒸馏框架。利用通道分割技术构建且压缩学习后的模型，通过显式知识传递和对比损失来提高超分辨率图像和 PSNR / SSIM 的质量。

    May, 2021

  • 增强型深层残差网络用于单张图像超分辨率

    本文介绍提出的增强型深度超分辨网络（EDSR）和多尺度深度超分辨系统（MDSR），通过深度卷积神经网络（DCNN）和残差学习等技术，去除不必要的模块，并扩展模型大小和稳定的训练过程，实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构，表现卓越，赢得 NTIRE2017 超分辨挑战。

    Jul, 2017

  • 动态网络图像超分辨率

    本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

    Oct, 2023

  • EDCNN: 基于边缘增强的稠密连接网络与复合损失用于低剂量 CT 图像去噪

    该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

    Oct, 2020

  • 利用增强感知超分辨率网络分析感知 - 失真权衡

    本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

    Nov, 2018

  • 边缘和身份保留网络用于人脸超分辨率

    该论文提出了一种有效的人脸超分辨率恢复方法，称为 EIPNet，采用轻量级边缘块和身份信息来最小化变形。该方法还定义了身份损失函数来保留 SR 图像的身份信息，提供了 LCE 方法来分别推断 SR 图像中的亮度和颜色信息，并使网络能够在 RGB 和 YUV 两个颜色空间中反映 SR 图像与它们的 Ground Truth 之间的差异。大量实验证明，该网络在两个具有挑战性的数据集 CelebA 和 VGGFace2 上表现优于最先进的方法。

    Aug, 2020

  • 快速高效的网络，用于图像超分辨率

    提出透過堆疊高度優化的卷積和激活層以及降低特徵融合的方式，設計了一款適用於資源受限設備的快速且記憶體效率高的網路（FMEN 及其小版本 FMEN-S），並應用於圖像超分辨率研究，包含透過逐像素進行局部和全局內容的考量，強化高頻細節的序列注意力分支等技術，有效達成比當前最先進的 EISR 模型：E-RFDN 更快的運行速度以及減少 74％的記憶體消耗的成果。

    Apr, 2022

  • EDN: 极度下采样网络在显著目标检测中的应用

    本文提出了极端下采样网络（EDN）和尺度相关的金字塔卷积（SCPC）两种技术用于显著性目标检测（SOD）的高层特征学习和多级特征融合，实现了实时速度下的最新最优性能。

    Dec, 2020