May, 2023

使用注意力模块和子像素卷积层进行车牌图像超分辨率

PDF
TL;DR本研究旨在应用深度学习技术，结合关注机制和 Transformer，提高低分辨率监控图像的车牌识别精度，并通过基于光学字符识别的损失函数对图像特征进行抽取，证明我们的方法在定量和定性上都优于现有的方法。
license plate recognitiondeep learningsuper-resolutionattention modulesocr
发现论文，激发创造
  • 基于扩散模型的车牌超分辨率

    该研究利用最先进的扩散模型在低分辨率和高分辨率的沙特车牌图像上进行训练，实现了超分辨率处理，其在识别精度和结构相似性指数方面都超过了现有技术，并获得了 92％的人工评估员的认可，为监控系统提供了具有实际潜力的车牌超分辨率的创新解决方案。

    Sep, 2023

  • LAPAR：线性组装像素自适应回归网络，用于单张图像超分辨率及更多

    本文提出一个线性组装的像素自适应回归网络用于单幅图像超分辨率，将直接 LR to HR 映射学习转化为对多个预定义滤波器基字典的线性系数回归任务，同时将此思想扩展到处理其他图像修复任务中，例如图像去噪和 JPEG 图像去块运动估计并获得先进性能。

    May, 2021

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • SNIDER：用于提高车牌识别的单张噪声图像去噪和矫正方法

    该论文提出了一种基于卷积神经网络的算法，可用于从低质量图像中识别车牌。作者设计了一个端到端的可训练网络 Single Noisy Image DEnoising and Rectification (SNIDER)，将图像去噪和矫正作为一个任务进行，提出了多任务拟合和新的训练 - loss 的优化方法，并在两个数据集上进行了广泛的实验，结果表明该方法可以有效地从低质量车牌图像中恢复高质量车牌图像，且表现优于其他现有的方法。

    Oct, 2019

  • 具备压缩感知变换的车牌取证识别技术

    本文通过引入 Transformer 结构，并利用压缩水平的信息， 实现了对强烈压缩的无法辨认的车牌的识别。实验表明在真实和合成数据集上，该方法均显著超越现有的车牌识别方法和标准的图像识别模型，且参数量更少。当车牌图像最严重的情况下，我们的方法可以将识别率提高 8.9％。

    Jul, 2022

  • 利用超分辨率成像识别低分辨模糊车牌的比较研究：Real-ESRGAN、A-ESRGAN 和 StarSRGAN

    这项研究致力于使用超分辨率技术来处理模糊的车牌。通过对比不同的超分辨率模型，希望找到最适合这项任务的模型，为未来的研究者提供有价值的参考。

    Mar, 2024

  • 感知导向的单图超分辨率使用最佳目标估计

    本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

    Nov, 2022

  • 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

  • 基于胶囊神经网络的单图像超分辨率

    本文研究使用胶囊网络进行单张图像超分辨率处理，在实验中发现胶囊网络相比传统卷积方式需要较少的层数却能达到较好的效果，证明了将胶囊网络应用于图像超分辨率问题是值得尝试的。

    Oct, 2022

  • SRPGAN：单图像超分辨率视觉生成对抗网络

    本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。

    Dec, 2017