CVPRJun, 2022

用通道分割网络和 Transformer 的双边网络在热成像超分辨率上的应用

PDF
TL;DR本文介绍了一个名为 BN-CSNT 的双边网络设计，通过频道分裂网络和 Transformer 解决了 TISR 问题，最终在 PBVS-2022 挑战测试数据集上实现了良好的表现，x4 的 PSNR 为 33.64，SSIM 为 0.9263，x2 的 PSNR 为 21.08，SSIM 为 0.7803。
发现论文，激发创造
  • 单张磁共振图像超分辨率的通道分离网络

    本研究提出了利用通道分割网络（CSN）来缓解深度学习模型的表达负担，从而提高医学磁共振图像的空间分辨率。在各种磁共振图像（包括质子密度（PD）、T1 和 T2）上进行了广泛的实验，证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先进的方法具有更出色的性能。

    Oct, 2018

  • 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

    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。

    Apr, 2022

  • 基于交叉空间像素整合和交叉阶段特征融合的遥感图像超分辨率变换网络

    用于遥感图像超分辨率 (RSISR) 的新型 Transformer 网络 SPIFFNet，通过引入跨空间像素整合和跨阶段特征融合注意力机制，有效提高了全局认知和特征表达能力，从而在定量度量和视觉质量上优于现有方法。

    Jul, 2023

  • 一种两阶段注意力网络的单幅图像超分辨率方法

    本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果

    Apr, 2021

  • 轻量级信息分离网络实现红外图像超分辨率

    提出了一种高效、精确的单像素红外图像超分辨率模型，名为轻量级信息分离网络（LISN），通过使用浅层特征提取、深层特征提取、密集特征融合和高分辨率红外图像重建等组件，以及轻量级信息分离块（LISB）的创新引入，成功地在提高超分辨率性能和轻量级框架之间取得了最佳平衡，优于现有方法，并证实了在资源受限的红外成像应用中的实际部署的有效性。

    May, 2024

  • 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

  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法，具有良好的细节保留和结构重建性能，其中 GAN 是提高高分辨率图像生成质量的关键模块之一。

    Jun, 2023

  • 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

  • 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

  • TBN-ViT：基于视觉 Transformer 的时间双边网络用于视频场景解析

    本研究使用 VSPW 数据集设计了一个基于时空双边网络和视觉转换器的视频场景解析模型，该模型利用卷积和视觉转换器获得空间和上下文信息，并且使用时间上下文模块获取帧间上下文信息，实验证明该模型可以在 VSPW2021 挑战赛中获得 49.85% 的 mIoU。

    Dec, 2021