Jun, 2023

RBSR: 高效灵活的爆发超分辨率循环网络

PDF
TL;DR本文提出了一种逐帧融合的、高效灵活的循环网络，以底帧为关键提示，并引入隐式加权损失，用于促进从具有可变数量的输入帧中获取知识，以实现从序列低分辨率和噪声图像重建高分辨率图像的目标。我们在合成和真实数据集上进行了广泛实验，结果表明，我们的方法优于当前最先进的方法。
burst super-resolutionlow-resolutionnoisy imagerecurrent networkvariable number
发现论文，激发创造
  • 走向实际应用的爆发图像超分辨率：基准和方法

    本文介绍了一个新的大规模真实场景爆破超分辨率数据集 RealBSR 以及一种名为 FBAnet 的联邦爆破亲和网络，用于从多个帧中恢复图像细节，并通过基于 Transformer 的模块进行爆破表示解码。实验结果表明，FBAnet 优于现有的最先进的爆破超分辨率方法，并且在模型细节上实现了视觉上令人愉悦的超分辨率图像预测。

    Sep, 2023

  • 深度爆发超分辨率

    本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构，以像素级光流明确对齐输入帧的深嵌入，使用基于注意力的融合模块自适应地合并来自所有帧的信息，以产生高质量重建的 RGB 图像；同时介绍了 BurstSR 数据集，在真实世界数据上进行了全面实验分析，证明了该模型的有效性。

    Jan, 2021

  • 利用扩散模型进行爆炸式超分辨率以提高感知质量

    通过扩展扩散模型，提出了一种基于爆发低分辨率图像的高分辨率图像重建方法，能够改善感知质量指标的分数。

    Mar, 2024

  • BSRT：利用 Swin Transformer 和流导向可变形对齐来提高爆发超分辨率

    提出了一种基于 Transformer、金字塔流引导可变卷积网络和 Swin Transformer 块的 BurstSR 体系结构，可有效地从一系列嘈杂、不对齐和低分辨率 RAW 爆发中恢复高质量图像，并在 NTIRE2022 Burst Super-Resolution Challenge 中取得了新的最佳效果。

    Apr, 2022

  • 基于帧递归的视频超分辨率重建

    本研究提出了一种端到端可训练的帧递归视频超分辨率框架，使用先前的高分辨率估计来超分辨率下一个帧，自然鼓励时态一致结果并降低计算成本。

    Jan, 2018

  • 突发图像修复与增强

    该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。

    Oct, 2021

  • 基帧选择的突发图像超分辨率

    通过使用非均匀曝光的拍摄组合，我们提出了一个新的基准数据集 NEBI，旨在解决实际场景中的爆发图像超分辨率问题，并引入了一个适用于非均匀场景的框架选择网络 FSN，通过低计算成本实现现有超分辨率方法的无缝整合。

    Jun, 2024

  • 迭代残差 CNN 在连拍摄影应用中的应用

    本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

    Nov, 2018

  • FuseSR: 通过高效多分辨率融合实时渲染的超分辨率

    利用低成本高分辨率辅助 G 缓冲作为额外输入，我们提出了一种高效有效的超分辨率方法，通过多分辨率级别上的特征对齐和融合，能够以实时性能在 4K 分辨率上以 4 倍甚至 8 倍分辨率进行时间连贯的重建，相较于现有方法具有显著提高的质量和性能提升。

    Oct, 2023

  • Lucas-Kanade Reloaded：从原始图像突发中端到端的超分辨率

    本文提出了一种混合算法来解决从不同空间和时间视角拍摄的多个低分辨率快照重建高分辨率图像的问题，并证明其在合成和真实图像集上均优于其他方法。

    Apr, 2021