CVPRMay, 2022

自我监督的多曝光推框卫星超分辨率

PDF
TL;DR本文提出了一种可用于处理多曝光序列的超分辨率方法，它可以处理输入中的信号相关噪声，并且可以在没有高分辨率帧的情况下进行端到端的自我监督训练，效果显著优于现有的单曝光方法。
super-resolutionmulti-exposure sequencessignal-dependent noiseself-supervisionfusion
发现论文，激发创造
  • HighRes-net：多帧卫星图像超分辨率递归融合

    本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net，首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务，并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理，促进了地球观测数据的应用。

    Feb, 2020

  • 交叉传感器不规则采样 Sentinel-2 时间序列的超分辨率

    通过使用多张卫星图像，本研究提出了一种针对 Sentinel-2 时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。

    Apr, 2024

  • 卫星影像快速超分辨率的深度与非深度方法融合

    该论文提出通过超分辨率提高卫星图像的质量并降低成本。作者设计了一种框架以分析每个低分辨率图像补丁的区域信息内容，并明智地选择在图像上超分辨率更富有结构的区域上使用更复杂的深层模型，而在非显著区域上使用不使用深层模型的低资源密集型方法，从而在保证性能的同时降低了推断时间。

    Aug, 2020

  • 深度爆发超分辨率

    本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

    Jan, 2021

  • 自我监督的动态场景中使用多曝光图像的高动态范围成像

    该研究提出了一种自监督的高动态范围（HDR）重建方法 SelfHDR，该方法仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求，并通过两个互补组件来学习重建网络，分别关注 HDR 颜色和结构。实验结果表明，SelfHDR 在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

    Oct, 2023

  • 联合图像去模糊和超分辨率的门控融合网络

    本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

    Jul, 2018

  • 时空感知多分辨率视频增强

    本文提出了一个名为 STARnet 的模型，旨在通过同时提高空间分辨率和插值帧率来解决空时超分辨率问题，并利用时间和空间之间相互信息关系的优势，提供更加准确的运动信息和像素对齐。该模型能够有效提高空时、空间和时间视频超分辨率的性能。

    Mar, 2020

  • 基于帧递归的视频超分辨率重建

    本研究提出了一种端到端可训练的帧递归视频超分辨率框架，使用先前的高分辨率估计来超分辨率下一个帧，自然鼓励时态一致结果并降低计算成本。

    Jan, 2018

  • 利用卷积神经网络对多光谱卫星图像进行超分辨率处理

    本文提出一种使用 CNN 训练的方法，通过低分辨率的多光谱和高分辨率的全色图像瓦片对来创建超分辨率分析图像，其中 RedNet30 架构表现最佳。

    Feb, 2020

  • 从模糊的图像序列中联合估计相机姿态、深度、去模糊和超分辨率

    本研究提出了一种创新性的统一框架来解决密集深度重建、相机姿态估计、超分辨率和去模糊的四个问题，通过反映物理成像过程，我们提出了一个成本最小化问题，并使用交替优化技术来解决它，实验结果表明，我们的提出方法在合成和现实视频中均得到高质量的深度图，同时还产生了优秀的去模糊和超分辨率图像。

    Sep, 2017