ShuffleMixer:一种高效的图像超分辨率卷积神经网络
通过重现降级的低分辨率图像,我们提出了一种用于学习降级表示的替代方法,并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明,我们的降级表示能够提取准确和高度鲁棒的降级信息。此外,对合成和真实图像的评估表明,我们的 ReDSR 在盲目超分辨率任务中达到了最先进的性能。
Jul, 2024
本研究提出了利用退化对齐的语言提示来实现准确、精细和高保真度的图像恢复,通过图像恢复提示对图像的退化程度进行自动辨别,同时结合预训练的多模态大型语言模型获取与人类感知紧密相关的高级语义先验,综合比较分析表明,该方法在图像感知质量上达到了新的最先进水平,尤其是在基于无参考度量的真实场景中。
Jun, 2024
本文介绍了一种新颖的逼真分离数据生成器(RealDGen),该生成器是为了解决现有图像超分辨率技术在复杂实际环境中泛化效果不佳的挑战所设计的。通过精心设计内容和降解提取策略,并将其整合到一种新颖的内容降解分离扩散模型中,从不成对的实际低分辨率和高分辨率图像中创建逼真的低分辨率图像。大量实验证明了 RealDGen 在生成大规模、高质量的配对数据方面的出色表现,模拟了真实世界的降解情况,并显著提升了各种真实世界基准测试中流行的超分辨率模型的性能。
Jun, 2024
2DQuant 是一种双阶段低比特后训练量化(PTQ)方法,通过研究权重和激活分布,使用分布导向边界初始化和蒸馏量化校准的方法,实现了在低比特量化下高效准确的图像超分辨率。
Jun, 2024
本文介绍了一种针对图像超分辨率的新型二值扩散模型 ——BI-DiffSR,该模型利用改进的 UNet 架构进行二值化,并设计了一系列新的技术来增强模型性能和灵活性。实验结果表明,BI-DiffSR 在超分辨率任务中优于现有的二值化方法。
Jun, 2024
我们的研究探索了提高深度学习超分辨率模型鲁棒性的不同方法的普适性,并发现中值随机平滑在对抗攻击以及标准图像破坏方面比其他方法更具通用性。这些结果支持将真实世界超分辨率方法的发展重心转向鲁棒超分辨率。
May, 2024
通过利用低分辨率图像和比例因子来评估图像超分辨率(SR)图像的感知质量和重建保真度,本研究提出了一种新颖的双分支减参考 SR-IQA 网络(PFIQA),其中感知分支利用 Vision Transformer(ViT)和 ResNet 的全局建模和局部关系,结合比例因子实现综合视觉感知,而保真性分支通过视觉感知评估低分辨率和超分辨率图像之间的重建保真度,两个分支的结合与人类视觉系统高度契合,实现全面的 SR 图像评估。实验结果表明,PFIQA 在三个广泛使用的 SR-IQA 基准测试中优于当前最先进的模型,特别在评估真实世界 SR 图像质量方面表现出色。
May, 2024
通过深度神经网络将输入图像映射为简单的二进制哈希码,从而实现有效的大规模图像检索。我们提出了一种名为 HybridHash 的混合卷积和自注意力深度哈希方法,通过引入分阶段架构的骨干网络和块聚合函数来实现局部自注意力效果,并降低计算复杂性,以提高图像块之间的信息交流和视觉表示。实验结果表明,本文提出的方法在三个广泛使用的数据集上具有优越的性能,超过了现有的深度哈希方法。
May, 2024
本文探索了在图像超分辨率中,深度神经网络的行为的解释及分析方法,介绍了 `the sinc phenomenon' 现象以及提出的 Hybird Response Analysis (HyRA) 方法,并引入了一个用于图像任务的评估指标 Frequency Spectrum Distribution Similarity (FSDS)。
May, 2024
提出了一种新颖的超分辨率重建算法,通过独特的设计大幅提升了准确性,同时保持了低复杂度,该算法核心在于巧妙设计的全局 - 局部信息提取模块和基本块模块,通过结合全局和局部信息,实现了对图像内容更全面的理解,准确地恢复了图像的全局结构和局部细节,为后续的重建过程提供了丰富的信息支持。实验结果表明,提出的算法在超分辨率重建领域提供了最佳的综合性能,提供了一种高效实用的新解决方案。
May, 2024