通过集成梯度自由进化算法与基于梯度的 Adam 算法,构建了一个新的优化器,将超分辨率中的感知和失真权衡问题转化为多目标优化问题,并通过融合网络将不同感知 - 失真偏好的最佳模型合并为一个更强大的模型,实验表明,我们的方法训练得到的感知 - 失真平衡的超分辨率模型能够在感知质量和重建保真度方面优于竞争方法。
Dec, 2023
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
本文提出了一种分阶段新颖的感知图像超分辨率方法,第一阶段集中于最小化点之间误差,第二阶段利用前一阶段提取的特征来追求更好的结构保留,并采用第二阶段提取的细节结构特征来产生更真实的结果,通过多尺度特征融合,提出的方法优于现有方法。
Jul, 2019
利用像素级的知觉损失优化高分辨率图像的生成,本研究使用基于深度卷积神经网络的解码器进行优化,通过对不同语义级别的标签惩罚来提高性能并考虑到背景和边界的纹理相似性,得到更逼真的纹理和更锐利的边缘,实验表明此方法的效果优于现有的其他算法。
Aug, 2019
本研究提出了一种新颖的方法,基于低级域天然先验规律和自然流形约束去实现高感知质量和真实感重构的超分辨率图像,相比于其他算法,获得了更好的自然感和更真实的图像重构效果。
Nov, 2019
本研究中,我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块,通过结合均方误差损失、感知损失和对抗性损失训练我们的网络,以在失真和感知质量之间获得最佳权衡,从而实现更好的感官质量。
Nov, 2018
本文提出了一种基于 GAN 方法的图像超分辨率算法,通过梯度信息作为额外的结构先验,以结构保留的方式减少回复的图像中的不良结构畸变,并引入可学习的神经结构提取器(NSE)来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明,该方法优于当前基于感知的 SR 方法。
Sep, 2021
本文提出了一种名为 SR4IR 的图像超分辨率增强方法,通过引导生成助于实现低分辨率图像处理时的满意图像识别性能的超分辨率图像。该方法使用了任务驱动感知损失来帮助超分辨率网络从专门为特定任务定制的网络中获取任务特定的知识,并通过交叉质量补丁混合和交替训练框架显著增强了任务驱动感知损失的效果。通过广泛的实验,证明了 SR4IR 在语义分割、目标检测和图像分类等特定图像识别任务中取得了出色的任务性能。
Apr, 2024
本文提出了一种基于多任务学习和条件性目标实现调节损失权值的单个可调节超分辨率模型,通过一组权重定义为样式控制器来优化超分辨率模型,并在 Residual-in-Residual Dense Block 上装备空间特征转换层来适应目标。实验表明,该模型能在条件控制下生成不同的超分辨率图像,并且输出质量优秀,性能优于现有的超分辨率方法。
Jan, 2022
本研究提出了一种结构保留超分辨率的方法,利用图像的梯度图来指导恢复,同时使用梯度损失和图像空间损失函数,帮助生成网络更加注重几何结构。实验结果表明,该方法在恢复结构的同时生成了自然的高清图片,并且在感知度和峰值信噪比等指标上表现出色。
Mar, 2020