AAAIJan, 2023

深度超分辨率的循环结构注意力指导

PDF
TL;DR本文提出了一种基于递归结构注意力引导的深度超分辨率网络，采用对比网络来进行自适应的高频信号提取，并利用递归结构注意力块来提供准确的深度恢复引导，实现了在深度超分辨率任务上的优异性能。
depth super-resolutionrecurrent structure attention guidedcontrastive networkadaptive frequency-domain separationimage guidance
发现论文，激发创造
  • SGNet: 基于梯度频率感知的结构引导网络用于深度图超分辨率

    我们提出了结构引导网络 (SGNet)，该网络利用梯度和频率域捕捉高频结构，包括梯度校准模块 (GCM) 和频率感知模块 (FAM)，通过实验证明我们的 SGNet 在真实和合成数据集上具有优越性能。

    Dec, 2023

  • 基于注意力层次多模态融合的高分辨率深度图像成像

    本文提出了一种基于注意力机制多模态融合的层次结构深度图超分辨率网络，可以有效地从低分辨率深度图和高分辨率 RGB 图像中提取并组合有价值的特征以实现超分辨率重建。

    Apr, 2021

  • 学习层次化的颜色指导用于深度图超分辨率

    本文提出了一种 Hierarchical Color Guidance 网络，通过在低级阶段以残差掩模方式补充深度特征的高频彩色信息，以及使用编码全局指导信息的语义掩模来实现语义一致性重建，从而实现 DSR。与现有方法相比，在四个基准数据集上，我们的方法在定性和定量上都取得了更具竞争力的性能。

    Mar, 2024

  • 结构流导向网络用于真实深度超分辨率

    本文提出了一种新的结构流引导的 DSR 框架，其中学习交叉模态流图来指导 RGB - 结构信息的传输，以实现精确的深度超分辨率提升，经过对真实和合成 DSR 数据集的广泛实验，验证了该方法相对于现有技术的卓越性能。

    Jan, 2023

  • 图像超分辨率的深度边缘引导循环残差学习

    本论文提出了一种名为 DEGREE 的神经网络，其利用递归残差学习深度引导边缘增强的技术，通过次带频率分解来有效地恢复图像的高频细节和保持其边缘细节，与传统方法相比，在三个标准数据集上达到了更优秀的还原效果。

    Apr, 2016

  • 轻量级循环分组注意力网络用于视频超分辨率

    我们提出了一种新颖的轻量级循环分组注意力网络，用于视频超分辨率的研究，实验证明我们的模型在多个数据集上达到最先进的性能。

    Sep, 2023

  • RigNet: 用于深度完成的重复图像引导网络

    本研究提出了一种基于图像引导的神经网络，在处理深度不完整的情况下，通过引入重复设计和小时 glass 网络和动态卷积技术，提高了深度预测精度，在 KITTI 基准测试和 NYUv2 数据集上均取得了优越或有竞争力的结果。

    Jul, 2021

  • 组件注意力引导的人脸超分辨率网络：CAGFace

    通过卷积神经网络实现人脸超分辨率，使用面部分割和注意力机制保留面部特征，迭代地对高分辨率图片进行处理以达到更好的视觉效果和量化指标，达到了当前技术的最佳表现。

    Oct, 2019

  • 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

  • 基于多注意力的超轻量级图像超分辨率

    本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

    Aug, 2020