CVPRDec, 2022

CiaoSR: 连续隐式注意力在注意力网络中用于任意尺度图像超分辨率

PDF
TL;DR本文提出了一种连续的隐式关注网络，称为 CiaoSR，以解决在单张图片超分辨率重建中可能遇到的局部模型信息不足、感受野受限的问题，并在多个基准数据集上实验表明 CiaoSR 显著优于现有的单个图像超分辨率方法，并取得了任意比例超分辨率任务的最佳性能。
continuous image representationsimage super-resolutioncontinuous implicit attention-in-attention networklearnable parametersnon-local information
发现论文，激发创造
  • 交叉尺度非局部注意力与全面自举例子矿化的图像超分辨率

    本论文提出了首个可将跨尺度特征相关性与非局部注意力机制相融合的循环神经网络，该模型及其与本地和同尺度非局部注意力结合可以更好地发现单个低分辨率图像中的跨尺度特征相关性，从而显著提高图像超分辨率的性能，并在多项 SISR 基准测试中表现出新的最佳效果。

    Jun, 2020

  • 单个网络学习任意尺度的超分辨率

    本文提出了一种基于不同比例尺下特征适应块和上采样层的单幅图像超分辨率网络的方法，并利用特定比例尺下的网络知识，提出了一种比例尺 - aware 知识转移方法。结果表明，该方法可以在保持整数比例尺下的图像超分辨率性能的同时，在非整数和非对称跨度方面取得有前途的结果，而附加的计算和内存成本非常小。

    Apr, 2020

  • 图像超分辨率中的注意力注意网络

    本研究提出了一种新的超分辨率模型 ——A^2N 模型，该模型中引入了注意力机制，并通过动态调整注意力机制使模型达到更高的性能。实验表明，该模型表现出优异的性能。

    Apr, 2021

  • 屏幕内容图像连续超分辨率的隐式变换网络

    针对面向屏幕内容的超分辨率问题，本文提出一个新的 ITSRN 网络来实现高质量的连续超分辨率，该网络的关键在于调整像素的查询坐标并使用隐式位置编码方案对邻近像素值进行聚合，实验表明该方法在解决压缩和非压缩 SCI 方面优于其他 SR 方法。

    Dec, 2021

  • 从粗到细：分层像素整合用于轻量级图像超分辨率

    本研究旨在设计一种新的关注区块，其见解来自于 SR 网络的局部归因图解释。我们使用轻量级全局像素访问模块处理全局区域，使用 Intra-Patch 自我关注模块处理局部区域，并使用级联补丁划分策略来提高恢复图像的感知质量。实验结果表明，我们的方法比最先进的轻量级 SR 方法表现更好。

    Nov, 2022

  • 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

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 使用像素注意力实现高效图像超分辨率

    本研究旨在设计一种轻量级卷积神经网络，用于图像超分辨率，提出了一种像素关注机制用于构建简洁且有效的网络，并分别提出了基于像素关注的主干和重建分支的构建块。该模型具有较好效果且参数量只有 SRResNet 和 CARN 的 17.92％和 17.09％。

    Oct, 2020

  • 具有非对称共同注意力的图像超分辨率深交错网络

    本文提出一种基于深度交错网络（DIN）和不对称协同注意力（AsyCA）的图像超分辨率方法，使用多支路模式，允许多个互相连接的支路在不同状态交错和融合，以引导预测彩色图像的深度代表性特征，从而实现前低级特征引导后高级特征的完全结合，实验证明与目前最先进的超分辨率方法相比，我们所提出的 DIN 方法更具优越性。

    Apr, 2020

  • 基于注意力机制的多参考学习用于图像超分辨率

    本文提出了一种新颖的基于注意力的多参考超分辨率网络（AMRSR），该网络可以在保持空间相干性的同时，通过学习从多个参考图像中自适应地传输最相似的纹理到超分辨率输出来提高细节。与现有的参考超分辨率方法相比，多参考和分层注意力采样方法的结合实现了显着改进。

    Aug, 2021