NegVSR:增强负样本以实现实际视频超分辨率通用噪声建模
该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络,使其在真实世界的视频超分辨率方面表现更好。结果显示,相较于 RealBasicVSR 在 NRQM 方面提高了 7.1%,相较于 BSRGAN 提高了 3.34%。同时,该论文也提出了一个新的包含高分辨率真实视频的数据集,可作为基准测试的共同参照。
May, 2023
通过图像预处理,设计了一种在处理现实世界视频超分辨率中平衡细节合成和伪影抑制的 RealBasicVSR 模型,并且提出了一种随机退化方案来降低训练时间,同时使用更长序列代替更大批次进行训练以提高模型的稳定性。此外,还创建了新的 VideoLQ 数据集来作为基准测试的公共基础。
Nov, 2021
本文研究解决现实世界中动画视频超分辨率(VSR)的难题,并揭示了实用动画 VSR 的三个关键改进:通过学习基本运算符来改进基本降质操作生成过程中的能力,使用 AVC 数据集进行综合训练和评估,以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频,并实现了优于以往最先进方法的性能。
Jun, 2022
该研究提出了一种称为 Robust Super-Resolution (RSR) 的新方法,该方法利用敌对攻击的泛化能力来解决现实世界的超分辨率问题,并证明其相对现有最先进方法在真实世界数据集上的泛化能力更强。
Aug, 2021
通过引入视频压缩降级模型,提出了一种盲目单图像超分辨率方法,可恢复由视频压缩引起的失真,通过合成低分辨率图像数据并训练神经网络,在图像质量评估和视觉质量方面取得了优秀的性能。
Nov, 2023
本研究将 ESRGAN 应用于实际的纹理恢复应用中,在处理复杂的真实世界退化图像时,引入高阶退化建模过程,并考虑到常见的环绕和过冲伪影,采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学, 并提供了实时生成训练样本的高效实现。
Jul, 2021
VideoGigaGAN 是一种新的生成 VSR 模型,能够产生具有高频细节和时间一致性的视频。该模型通过引入几个关键技术来显著改善视频上采样的时间一致性,与先前的 VSR 方法不同,VideoGigaGAN 生成具有更精细外观细节的时间一致视频。
Apr, 2024
本研究提出一种概率降级生成器,用于训练无监督真实场景超分辨率模型,并通过使用多个生成器和协作学习来提高模型性能和稳健性,相关方法在基准数据集上表现出优异的性能。
Jan, 2022
提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集,包含了 450 个不同场景下的低分辨率和高分辨率视频对,并利用两个 DSLR 相机和一个分束器进行采集,同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络,以生成对应的高分辨率 sRGB 图像。实验结果表明,该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。
Sep, 2022
通过提出一种深度残差卷积生成对抗网络(SRResCGAN)来解决真实世界中图像修复过程缺失的问题,该网络通过对 HR 领域的像素级监督来对模型进行敌对训练,并利用残差学习和凸优化技术来最小化能量函数,我们的实验表明,该方法易于部署到其他下采样算子和移动 / 嵌入式设备上,并且能够更好地适应真实世界中的图像噪声问题。
May, 2020