基于胶囊神经网络的单图像超分辨率
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
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
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
本研究提出了一种 Single Image Super-Resolution 的解决方案,可以在保证低复杂度的前提下,通过训练数据来学习一组 filter,使得对于一张不在训练集中的图片,可以生成更高分辨率、更高质量的图片;同时该方法还包括了一种有效的图像锐化算法,可以作为预处理步骤来提高下采样放大滤波器的学习效果。
Jun, 2016
本文提出了一种基于 Mixed Gradient Error 的深度学习网络 ——Modified U-net,将其作为损失函数,减少网络参数,从而加速图像重构,与现有方法相比,该重构方法具有更好的性能和时间消耗。
Nov, 2019
本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR),它是一种受到 root 模块的启发,旨在解决单图像超分辨率问题的建模方法,并在 Div2K 验证集上取得了超过 VDSR 的成果,在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。
May, 2021
该研究使用 Residual Dense Networks(RDN)架构并分析了其组件的重要性,通过利用原始低分辨率(LR)图像的分层特征,该架构实现了卓越的性能,具有四个主要块,包括作为核心的残留密集块(RDB),并通过使用各种损失指标的研究和分析评估了体系结构的有效性,将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 2023
我们提出了一种使用维度扩展策略的通用框架,使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入,从而处理多种甚至是空间变异的退化,从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示,所提出的卷积超分辨率网络不仅可以产生多个退化结果,而且计算效率高,提供了一种高效和可扩展的解决方案,适用于实际的 SISR 应用。
Dec, 2017
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
本文提出了一种基于自相似性的方法,利用从输入图像中提取的大组相似图块来解决单幅图像超分辨率问题,并评估了其性能,成果表明在不使用任何外部数据的情况下,所提出的算法在各种缩放因子的测试数据集上,比当前的非 CNN 方法有了提高,并且在某些数据集上的提高达到 1dB 以上,对于高采样率(x4)的数据,所提出的方法与最新的基于深度卷积网络的方法表现相似。
Apr, 2017