深度图像超分辨率的尖端技术
本文提出了一种新的深度图像超分辨率方法,利用移动手机和 Lucid Helios 采集的配对 LR 和 HR 深度图构建了一个名为 RGB-D-D 的大规模数据集,并提供了一个快速深度图超分辨率(FDSR)基准线,与现有公共数据集上的基准方法相比,我们的网络在效果和效率上都有很大的提升,并且可以处理真实世界中的 LR 深度图以产生更准确,清晰的边界,并在一定程度上修正深度值错误。
Apr, 2021
本研究提出一种多尺度渐进融合网络方法来处理深度图像的超分辨率问题,该方法采用异态结构用于整合不同领域的层次特征,并引入多维损失函数来约束明确的边界和细节,大量实验证明该方法在定性和定量方面均产生了优于最先进方法的改进结果。
Nov, 2020
本文提出了一种针对现实世界深度图超分辨率(DSR)的技术框架,该框架包括四个模块,并在基准数据集上进行实验表明,该方法优于当前最先进的 DSR 方法。
Jun, 2020
本文介绍提出的增强型深度超分辨网络(EDSR)和多尺度深度超分辨系统(MDSR),通过深度卷积神经网络(DCNN)和残差学习等技术,去除不必要的模块,并扩展模型大小和稳定的训练过程,实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构,表现卓越,赢得 NTIRE2017 超分辨挑战。
Jul, 2017
提出一种新颖的离散余弦变换网络(DCTNet)来解决多模态图像处理中导向深度超分辨率(GDSR)的挑战,包括理解工作机制、提取跨模态特征和减弱 RGB 纹理过度传递,通过离散余弦变换模块、半耦合特征提取模块和边缘注意机制来分别解决这些问题。实验结果表明,DCTNet 的性能比之前最先进的方法更好,在参数数量相对较小的情况下能够更好地处理导向深度超分辨率。
Apr, 2021
色彩引导的深度图超分辨率技术通过扩展高品质彩色图像来提高低质量深度图像的空间分辨率,利于 3D 重建、虚拟现实和增强现实等多方面应用。本文提出一种新颖的深度图超分辨率范式,利用扩散模型在潜在空间中生成深度图超分辨率的引导。该方法包括引导生成网络,深度图超分辨网络和引导恢复网络,并结合简单而有效的特征融合模块和 Transformer 风格的特征提取模块,使其能够在多模型图像的提取、融合和重建中利用引导先验知识。经过广泛的实验证明,在准确性和效率方面,我们的方法在与现有先进方法对比时展现出卓越的性能。我们的代码将在此 https 的 URL 进行公开共享。
Nov, 2023
本文提出一个基于多任务学习的联合深度图超分辨率与单目深度估计网络,采用不同的引导策略设计两个桥梁,一个是用于特征编码过程的高频注意力桥梁,另一个是用于深度图重建过程的内容引导桥梁,实验证明该方法在基准数据集上具有竞争性能。
Jul, 2021
本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net,首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务,并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理,促进了地球观测数据的应用。
Feb, 2020
本文提出了一种基于注意力机制多模态融合的层次结构深度图超分辨率网络,可以有效地从低分辨率深度图和高分辨率 RGB 图像中提取并组合有价值的特征以实现超分辨率重建。
Apr, 2021
提出了一种基于 Geometric Spatial Aggregator 和 transformer-style backbone 的连续深度表示方法,使深度图超分辨率具备任意尺度的能力,在 NYU v2 等标准深度图基准测试中,相比先前的方法取得了显著的恢复增益。
Dec, 2022