CVPRApr, 2023

轻量级图像超分辨率的全局聚合网络

PDF
TL;DR提出了一种名为 Omni-SR 的新型架构，通过增强的 Omni Self-Attention 块和多尺度交互机制来改善轻量级 ViT 框架中 one-dimensional self-attention 建模的局限和同构聚合方案，并在图像超分辨率任务中获得最高记录性能。
vitimage super-resolutioneffective receptive fieldomni-sr architectureomni self-attention
发现论文，激发创造
  • 学习全频域自适应表示以进行实际图像超分辨率

    通过使用频率分解和区域自适应频率聚合，我们设计了一种全频率区域自适应网络（ORNet），用于实现真实图像的超分辨率重建，该网络的训练基于特征表示，能够补偿真实低分辨率图像中的信息丢失，并具有场景不可知性。

    Dec, 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

  • OmniSSR：零样本全向图像超分辨率利用稳定扩散模型

    通过使用稳定扩散模型的图像先验，将全向图像超分辨率与保真度和真实感相结合，实现了零样本学习，无需训练或微调。在两个基准数据集上的实验证明了该方法的有效性。

    Apr, 2024

  • 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

  • 全知视频超分辨率

    该研究提出了一种全知框架来实现视频超分辨率，不仅利用前面的 SR 输出，还利用当前和未来的 SR 输出，该框架在客观指标、主观视觉效果和复杂度等方面优于现有的方法。

    Mar, 2021

  • 轻量级多尺度特征交互网络图像超分辨率

    本文提出了一种轻量级多尺度特征交互网络（MSFIN）用于图像超分辨率，通过扩展感受野和利用来自各种尺度的低分辨率观察图像的信息特征以及交互连接。此外，设计了一种轻量级的循环残差通道注意块（RRCAB）以便使网络受益于通道注意机制同时保持足够轻量级。与现有技术相比，本文所提出的 MSFIN 能够以更轻量的模型实现可比性能。

    Mar, 2021

  • 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

    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。

    Dec, 2022

  • 基于辅助特征学习的轻量级单图像超分辨率网络

    通过提出的关注辅助特征（A^2F）为基础，我们开发了一种计算效率高但准确性良好的网络以用于单幅图像超分辨率（SISR）处理，并且在大规模数据集上的实验结果证明了该模型的有效性。

    Nov, 2020

  • OSRT: 基于畸变感知变换器的全向图像超分辨率

    本文提出了一种基于 Fisheye 降采样和失真感知 Transformer 的方法，用于实现全景图像的高清增强，实验结果表明其表现优于以往的方法。

    Feb, 2023

  • AoSRNet：通过多知识整合的全能场景恢复网络

    通过多知识整合提出了一种名为 AoSRNet 的多合一场景恢复网络，以改善在低可见性成像场景中的成像设备的可视性，并综合最新方法进行了充分的实验验证。

    Feb, 2024