AAAIJul, 2022

用于视频超分辨率中联合去噪和光照增强的深层参数化三维滤波器

PDF
TL;DR本文提出了一种新的参数化表示 Deep Parametric 3D Filters (DP3DF)，它融合了局部时空信息，并通过共享主干学习动态剩余帧，使得在单个编码器 - 解码器网络中同时实现降噪、光照增强和视频超分辨率，该方法在各种具有挑战性的真实数据集上始终优于最佳的现有方法，具有极快的运行时间。
发现论文，激发创造
  • 用于视频超分辨率的可变形三维卷积

    本文提出了一种变形 3D 卷积网络（D3Dnet）来融合来自空间和时间维度的时空信息进行视频超分辨率， 采用变形卷积与 3D 卷积相结合的方法，具有更好的时空建模能力和运动感知建模灵活性， 实验结果表明 D3D 在开发时空信息方面非常有效。

    Apr, 2020

  • 3DSRnet：使用 3D 卷积神经网络进行视频超分辨率处理

    该论文提出了一种有效的三维卷积神经网络 3DSRnet，用于视频超分辨率，通过利用空时相干性来提高预测高分辨率帧的准确性，而且在不需要预处理的情况下优于最先进的方法，提出了一种新的处理场景变化的方法。

    Dec, 2018

  • 深度盲视频超分辨率

    本文提出了基于模糊内核建模方法的深度卷积神经网络模型，用于解决视频超分辨率问题，该模型包括运动模糊估计、运动估计和潜在图像恢复模块，实验证明该算法能够生成结构更清晰、细节更好的图像，并且性能优于当前先进的方法。

    Mar, 2020

  • 盲目图像超分辨率的深度约束最小二乘法

    本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

    Feb, 2022

  • 视频超分辨率的快速时空残差网络

    本研究提出一种新的快速时空残差网络（FSTRN），以采用 3D 卷积进行视频超分辨率任务，以增强性能并保持低计算负载，并通过基于交叉空间的残余学习来减轻特征融合和提升部分的计算机负担， 并且在基准数据集上的广泛评估和比较验证了所提出方法的优点，并证明了所提出的网络显着优于当前最先进的方法。

    Apr, 2019

  • 基于迭代优化的图像超分辨率提升

    本研究提出了 SR3 方法，通过重复精细的降噪扩散概率模型，采用随机去噪过程并通过 U-Net 模型进行迭代 refinement，实现图像超分辨率，在面部和自然图像的不同放大因素的超分辨率任务中表现强劲，与 SOTA GAN 方法进行人工评估，SR3 实现了近 50％的 fool 率，表明输出具有照片逼真度，同时 GANs 不超过 34％的 fool 率。我们进一步展示 SR3 在级联图像生成中的有效性，其中生成模型与超分辨率模型链接，使 ImageNet 的竞争 FID 得分为 11.3。

    Apr, 2021

  • 多帧超分辨率和降噪的深度重参化

    本文提出了一种基于深度重参数化的多帧图像修复方法，通过引入学习的错误度量和目标图像的潜在表示，将最大后验形式直接模拟在潜在空间中，并集成了学习的图像先验，实现了深度学习与经典 MAP 公式的多帧融合。本方法在多组实验证明其泛化性和效果优越性，为多帧降噪和多帧超分辨率任务设立了新的最优记录。

    Aug, 2021

  • 基于深度学习的 3D 外观超分辨率重建

    本文提出一种基于深度学习的方法，通过利用多视角下的几何信息来超分辨率重建三维物体材质纹理贴图，数据集采用了 ETH3D、SyB3R、MiddleBury、TUM、Fountain 和 Relief 等。

    Jun, 2019

  • 用于引导深度超分辨率的深度原始 - 对偶网络

    本文提出了一种新的方法来提高深度图像的空间分辨率，使用深度全卷积神经网络和非局部变分方法在深度的原始 - 对偶网络中结合起来，通过训练我们的联合方法，可以优化卷积网络和变分方法及其优化过程等所有参数。评估表明，该方法在多个基准测试中性能优于现有技术。

    Jul, 2016

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014