IJCAIApr, 2022

基于对称 CNN 和递归变换器的轻量级单图像超分辨率双模型网络

PDF
TL;DR本文提出了一种 Lightweight Bimodal Network (LBNet) 方法，它基于 Symmetric CNN 和 Recursive Transformer 实现了高效的单图像超分辨率 (SISR)，相对于同类算法，该方法在计算成本和内存消耗较低的情况下实现了更明显的性能提升。
super-resolutiondeep learninglbnetsymmetric cnnrecursive transformer
发现论文，激发创造
  • 图像超分辨率的迭代网络

    本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

    May, 2020

  • 单幅图像超分辨率的 Transformer

    本文提出了一种新的高效超分辨率变换器（ESRT），它是一种混合模型，由轻量级 CNN 主干和轻量级变换器主干组成。 ESRT 通过采用特殊设计的高效多头注意力（EMHA），实现了占用小的 GPU 内存。实验证明，ESRT 在低计算成本的情况下取得了具有竞争力的结果。

    Aug, 2021

  • 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

  • 轻量级多尺度特征交互网络图像超分辨率

    本文提出了一种轻量级多尺度特征交互网络（MSFIN）用于图像超分辨率，通过扩展感受野和利用来自各种尺度的低分辨率观察图像的信息特征以及交互连接。此外，设计了一种轻量级的循环残差通道注意块（RRCAB）以便使网络受益于通道注意机制同时保持足够轻量级。与现有技术相比，本文所提出的 MSFIN 能够以更轻量的模型实现可比性能。

    Mar, 2021

  • 基于信息多蒸馏网络的轻量级图像超分辨率

    该论文提出了一种轻量级信息多蒸馏网络（IMDN），通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块（IMDB），并使用自适应裁剪策略（ACS）来处理任何大小的图像，实现任意比例的超分辨率，同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性，并将它们聚合起来。大量实验证明，该方法在视觉质量、内存占用和推理时间方面优于现有技术。

    Sep, 2019

  • 超锐利：使用残差稠密网络进行单幅图像超分辨率研究

    该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

    Apr, 2023

  • 极轻量化鲁棒实时单图像超分辨率算法在移动设备上的应用

    本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR)，它是一种受到 root 模块的启发，旨在解决单图像超分辨率问题的建模方法，并在 Div2K 验证集上取得了超过 VDSR 的成果，在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。

    May, 2021

  • 自适应加权学习网络轻量级图像超分辨率

    本研究提出了一种自适应加权超分辨率网络（AWSRN），其中包括局部融合块（LFB）和自适应加权多尺度（AWMS）模块，以提高超分辨率任务中的效率和性能。实验结果表明，AWSRN 取得了比当前最先进的方法更好的性能，并且具有轻便的特点。

    Apr, 2019

  • 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

  • 蓝图可分离残差网络用于高效图像超分辨率

    本文介绍了一种名为 Blueprint Separable Residual Network（BSRN）的超分辨率模型。该模型使用 blueprint separable convolution（BSConv）替代了冗余的卷积操作，并引入了更有效的注意力机制，实现了高效的图像超分辨率，是目前效果最好的超分辨率方法之一。

    May, 2022