重新思考超分辨率，作为基于文本的细节生成技术

MMJul, 2022

重新思考超分辨率，作为基于文本的细节生成技术

Rethinking Super-Resolution as Text-Guided Details Generation

Chenxi Ma, Bo Yan, Qing Lin, Weimin Tan, Siming Chen

TL;DR本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

Abstract

deep neural networks have greatly promoted the performance of single image super-resolution (SISR). Conventional methods still resort to restoring the single high-resolution (HR) solution only based on the input of image modality. However, the image-level information is insufficient to

deep neural networks image super-resolution semantic image detail enhancement multi-modal fusion learning text-guided super-resolution

发现论文，激发创造

场景文本图像超分辨率的识别引导扩散模型

在场景文本图像超分辨率的研究中，通过引入一种生成模型 RGDiffSR 和一种去噪网络 RGDN，本文通过语义引导实现了场景文本图像的高保真度图像增强，从而在文本识别准确度和图像保真度方面都取得了优于现有方法的结果。

Nov, 2023

单图像超分辨率的深度学习：简要综述

介绍了基于深度学习的单图超分辨率问题的方法和分类，其中包括了网络架构和深度学习优化目标两个方面，归纳了各种方法的局限和改进，并从各种角度展开了比较和分析，并讨论了当前挑战和未来趋势。

Aug, 2018

神经纹理迁移图像超分辨率

本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

Mar, 2019

实际场景下的单幅图像超分辨率：简要综述

通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

Mar, 2021

深度生成对抗残差卷积网络用于真实世界超分辨率

通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

野外场景文本图像超分辨率

本文提出一种用于自然场景摄影下的低分辨率文本识别的新方法，该方法利用超分辨率技术对图像进行预处理，并开发了一种真实场景文本超分辨率数据集（TextZoom）。我们引入了三个新型模块，包括序列残差块、边界感知损失和中央对齐模块。通过对 TextZoom 数据集的广泛实验，我们证明了我们的 TSRN 模型具有显著提升低分辨率文本识别准确性的能力。

May, 2020

基于文本先验引导的场景文本图像超分辨率

本文介绍了一种多阶段文字先验指导的超分辨率 (STISR) 分类模型，在基准 TextZoom 数据集上表现出明显的改进，通过将字符概率序列作为文本先验嵌入到 STISR 模型训练中，以提高低分辨率场景文本图像的分辨率和视觉质量，从而有效提高现有 STISR 方法的文本识别精度。

Jun, 2021

基于参考图像的图像超分辨率的细节增强框架

通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

May, 2024

基于 Best-Buddy GAN 架构的高清晰度图像超分辨率

本研究提出了一种基于 best-buddy GANs 的方法来解决单幅图像超分辨率问题，采用灵活的多对多映射策略来寻求最佳监督；同时，采用区域感知的敌对学习策略，使得算法能够适应不同的纹理区域，产生更合理的细节结果。

Mar, 2021

SRPGAN：单图像超分辨率视觉生成对抗网络

本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

Dec, 2017