CVPRApr, 2023

用于立体图像超分辨率的跨视图层次网络

PDF
TL;DR本研究提出了一种名为 Cross-View-Hierarchy Network 的新方法，其中包括了利用通道关注和大核卷积关注从 intra-view 中提取全局和局部特征的交叉层次信息挖掘块（CHIMB），以及通过利用跨视图注意机制融合不同视图的相似特征的交叉视图交互模块（CVIM），并证明了 该方法比其他最先进的方法具有更好的立体图像超分辨率性能，且使用的参数更少。
stereo image super-resolutionintra-view informationcross-hierarchy information mining blockcross-view attention mechanismsstate-of-the-art methods
发现论文，激发创造
  • 轻量级立体图像超分辨率的多层特征融合网络

    我们提出了一种高效的轻量级立体图像超分辨率多级特征融合网络（MFFSSR），通过利用混合注意力特征提取块（HAFEB）提取多级视角内部特征，并使用通道分离策略与嵌入的视角交互模块有效地进行交互，该结构配置能够在改善跨视角信息共享效率的同时有效挖掘视图内的特征，从而更准确地重构图像细节和纹理。通过丰富的实验证明了 MFFSSR 的有效性，我们在更少的参数下实现了卓越的性能。源代码可在此 URL 找到。

    May, 2024

  • 学习用于立体影像超分辨率的准确且丰富特征

    本研究提出了一种混合尺度选择性融合网络（MSSFNet），用于提高立体图像超分辨率（stereoSR）结果的质量，包括保留精确的空间细节和丰富的上下文信息，并自适应地选择和融合来自两个视角的最准确的特征，以增强高质量的 stereoSR 效果。

    Jun, 2024

  • 使用视差约束并行注意力的立体内窥镜图像超分辨率

    本文提出了基于深度神经网络框架加入视差限制机制的 DCSSRnet 算法，用于提高立体图像对的空间分辨率，实验结果表明该算法在定量和定性评估上优于目前的 SR 方法。

    Mar, 2020

  • 用于立体视频超分辨率的新数据集和变压器

    本研究提出了一种新的基于 Transformer 模型的立体视频超分辨率方法，利用空间 - 时间卷积自注意力和光流特征对立体一致性和帧序一致性进行处理，使用视差注意机制融合立体视点，对新收集的 SVSR-Set 数据集进行了广泛实验，取得了与最新方法相媲美的结果。

    Apr, 2022

  • 基于混合卷积的双域网络超分辨率高光谱图像重建

    本研究提出了一种新的高光谱图像超分辨率算法，称为基于混合卷积的双域网络（SRDNet），同时在空间与频率领域设计了双域网络，利用自我注意力机制和频率损失进行优化，并使用 2D 和 3D 单元的混合模块渐进式放大策略，实现了高光谱图像的纹理和特征增强，比现有方法效果更好。

    Apr, 2023

  • 使用 NAFNet 的立体图像超分辨率

    本文通过在单个视图中提取特征的强大而简单的图像恢复模型 NAFNet 的扩展，添加交叉注意模块以在两个视图之间融合特征，以适应立体视觉场景，提出了立体图像超分辨率的新方法 ——NAFSSR，并提出了训练 / 测试策略，展示了这种方法的有效性。NAFSSR 在 KITTI 2012、KITTI 2015、Middlebury 和 Flickr1024 数据集上的表现优于现有方法，并在 NTIRE 2022 立体图像超分辨率挑战中获得了第 1 名。

    Apr, 2022

  • 视频压缩感知的分层交互重建网络

    本文提出了一种新的 Hierarchical InTeractive Video CS Reconstruction Network（HIT-VCSNet）深度网络图像和视频压缩感知方法，通过空间和时间领域中的深度先验共同提取上下文信息，并在不同尺度空间中协同地学习不同帧之间的相关性，在图像和视频压缩感知领域中表现出卓越性能.

    Apr, 2023

  • SwinFSR: 使用 SwinIR 和频域知识的立体图像超分辨率

    通过使用 Fast Fourier Convolution 和 Residual Swin Transformer 改进的方法和新的 cross-attention 模块，我们提出了一种名为 SwinFSR 的 Stereo Image Super-Resolution 方法，并且实验结果表明了该方法的有效性和高效性。

    Apr, 2023

  • 使用隐马尔可夫模型推断利用相机原始数据进行视频超分辨率

    本文提出了一种新的 VSR 方法，采用重建模块和深度推理模块来高效利用相机传感器数据。与现有方法不同，该模型在分离超分辨率和颜色校正的过程中具有显著性能优势。

    Aug, 2020

  • 对称视觉注意力网络实现高效图像超分辨率

    通过应用大感受野，我们提出了一种称为 Symmetric Visual Attention Network (SVAN) 的方法来改进高效超分辨率重建，减少了算法参数的数量并提高了模型的感知能力。实验结果表明，我们的方法只使用了现有 SOTA 方法约 30% 的参数，却能获得高质量的超分辨率重建结果。

    Jan, 2024