盲超分辨率图像质量评估的规模引导超网络
通过利用低分辨率图像和比例因子来评估图像超分辨率(SR)图像的感知质量和重建保真度,本研究提出了一种新颖的双分支减参考 SR-IQA 网络(PFIQA),其中感知分支利用 Vision Transformer(ViT)和 ResNet 的全局建模和局部关系,结合比例因子实现综合视觉感知,而保真性分支通过视觉感知评估低分辨率和超分辨率图像之间的重建保真度,两个分支的结合与人类视觉系统高度契合,实现全面的 SR 图像评估。实验结果表明,PFIQA 在三个广泛使用的 SR-IQA 基准测试中优于当前最先进的模型,特别在评估真实世界 SR 图像质量方面表现出色。
May, 2024
本研究在 14 个小数据集上进行了高倍率 (8x) 的盲图像超分辨率 (DL) 技术的评估,包括 Adaptive Pseudo Augmentation (APA)、Blind Image SR with Spatially Variant Degradations (BlindSR)、 Deep Alternating Network (DAN)、FastGAN 和 Mixture of Experts Super-Resolution (MoESR),并使用 NIQE 和 MANIQA 评估这些方法的表现。其中,MoESR 被认为是最好的解决方案,但所有技术创建的 HR 图像的感知质量仍需要改进。
Jun, 2023
该论文研究了图像超分辨率中的质量评估问题,提出了针对内容依赖的锐度和纹理评估的不确定性加权方案,并将确定性保真度和统计保真度融合,提出了超分辨率图像保真度指数(SRIF),在测试主观评级数据集时表现优于现有 IQA 模型。
Jul, 2022
本研究测试了最新的超分辨率算法在地观测图像方面的性能,并使用全参考和无参考图像质量评估(IQA)度量对不同的地球观测数据集进行基准测试。我们还提出了一种新颖的质量指标回归网络(QMRNet),通过训练图像的任何属性(例如分辨率、畸变等)来预测质量,并能够优化 SR 算法以实现特定的度量目标。
Oct, 2022
这篇论文系统地回顾了最近盲目图像超分辨率的研究进展,提出了一个分类法以区分现有的方法,并对常用数据集和以前的比赛进行了总结。同时,通过对合成和真实测试图像的详细分析,对不同方法的优缺点进行了比较。
Jul, 2021
探索基于 transformer 的全参考图像质量评估模型的性能,并提出了一种基于半监督知识蒸馏的 IQA 方法,使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中,我们的方法取得了竞争力的结果。
Apr, 2022
本文提出了一种基于不同比例尺下特征适应块和上采样层的单幅图像超分辨率网络的方法,并利用特定比例尺下的网络知识,提出了一种比例尺 - aware 知识转移方法。结果表明,该方法可以在保持整数比例尺下的图像超分辨率性能的同时,在非整数和非对称跨度方面取得有前途的结果,而附加的计算和内存成本非常小。
Apr, 2020
本文通过对大量超分辨率图像进行人类主观研究,提出了一种基于视觉感知评分学习的无参考指标,使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化,并学习了一个两阶段回归模型,无需参考基准图像即可预测超分辨率图像的质量得分,实验证明这种指标可以有效、高效地评估超分辨率图像的质量。
Dec, 2016
本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架,通过在 SR 网络特征映射中插入预测向量的元数据插入块,我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果,实现了比非盲和盲超分辨率网络更强大的超分辨率性能。
Nov, 2022
本研究提出了一个新的非参数性盲超分辨率方法,该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果,并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化,最后比较实验证明,该方法在核估计准确性和图像超分辨率质量方面都表现优异。
Mar, 2015