Jun, 2023

一种纹理自适应聚合的基于参考图像的超分辨率特征重用框架

PDF
TL;DR本文提出了一种特征重用框架，用于引导逐步纹理重建过程，减少感知损失和对抗性损失的负面影响，并通过单图特征嵌入模块和纹理自适应聚合模块来进行准确的对应匹配和纹理信息传输，从而增强了参考纹理的利用并减少了误用。
super-resolutionreference-basedtexture reconstructionperceptual lossadversarial loss
发现论文，激发创造
  • 基于参考图像的图像超分辨率的细节增强框架

    通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

    May, 2024

  • 神经纹理迁移图像超分辨率

    本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

    Mar, 2019

  • 学习纹理转换网络用于图像超分辨率

    本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

    Jun, 2020

  • 基于注意力机制的多参考学习用于图像超分辨率

    本文提出了一种新颖的基于注意力的多参考超分辨率网络（AMRSR），该网络可以在保持空间相干性的同时，通过学习从多个参考图像中自适应地传输最相似的纹理到超分辨率输出来提高细节。与现有的参考超分辨率方法相比，多参考和分层注意力采样方法的结合实现了显着改进。

    Aug, 2021

  • MASA-SR: 基于参考图像的图像超分辨率匹配加速与空间自适应

    本文提出 MASA 网络用于参考图像超分辨率 (RefSR)，其中提出了两个创新模块用于解决当前方法中存在的计算开销大、分布不一致等问题，并通过定量和定性实验验证了模型的有效性。

    Jun, 2021

  • 基于变形注意力转换器的参考图像超分辨率

    该论文提出了一种基于变形关注的变换器，即 DATSR，通过多个尺度来解决了参考图像超分辨率中的关键问题，即如何匹配低分辨率与参考图像的对应关系，以及如何将相关纹理从 Ref 图像传输到 LR 图像中来弥补细节。在多个基准测试数据集上进行的广泛实验表明，DATSR 取得了最先进的定量和定性性能。

    Jul, 2022

  • RefVSR++：利用参考输入进行基于参考的视频超分辨率

    智能手机配备多摄像头系统和参考超分辨率以及视频超分辨率，可以同时改善图像质量；本文提出了 RefVSR 和 RefVSR++ 方法，通过独立地在时间方向上聚合图像序列并改进对齐机制，RefVSR++ 在 PSNR 上超过 RefVSR 1dB，达到最新的技术水平。

    Jul, 2023

  • 高效纹理匹配与注意力梯度增强的大规模图像超分辨率重建

    参考图像超分辨率的关键词是 Reference-Based image super-resolution、attention mechanisms、deep architectures、texture match 和 Super Resolution。该方法通过引入注意机制，从参考高分辨率图像中转移高分辨率纹理，提高低分辨率图像的质量。对于每个低分辨率补丁，我们使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并找到 $k$ 个最相关的纹理匹配，从而获得准确的纹理匹配。通过使用简单的残差架构和梯度密度信息来增强超分辨率结果，显示了有竞争力的指标结果：PSNR 和 SSMI。

    Oct, 2023

  • 跨越空间和时间分辨率的桥梁建设：基于变化先验和条件扩散模型的参考图像超分辨率

    利用土地覆盖变化的先验信息来指导去噪过程的变化感知扩散模型用于参考图像超分辨率重建，通过将先验信息注入去噪模型，提高未改变区域参考信息的利用和已改变区域语义相关内容的重建，以此来改善模型性能。

    Mar, 2024

  • 基于 C2 匹配的稳健参考图像超分辨率

    本文提出了一种名为 C2-Matching 的方法，用于通过引入高分辨率参考图像增强低分辨率输入图像。该方法解决了输入和参考图像之间的尺度、旋转和分辨率差异等挑战，并在基准测试 CUFED5 数据集上比现有的 Ref-SR 方法表现出更高的性能，同时还表现出在大尺度和旋转变换方面的稳健性。同时本文贡献了一个名为 WR-SR 的数据集，模拟实际使用场景。

    Jun, 2021