Jul, 2023

DeSRA：检测和删除基于 GAN 的真实世界超分辨率模型的伪影

PDF
TL;DR本文通过分析 GAN 生成的超分辨率图像在测试数据中产生的众多不良伪影和失真的原因和特征，设计了一种新方法 DeSRA 来检测和消除这些不良伪影和失真，提高了超分辨率模型在实际应用中的表现。
image super-resolutiongenerative adversarial networksartifactsdesrareal-world scenarios
发现论文，激发创造
  • 细节还是图像：一种本地判别学习方法用于实现逼真的图像超分辨率

    本文提出了一种基于局部统计的判别学习（LDL）方法，以训练一种稳定生成感性真实细节且抑制视觉伪像的基于 GAN 的单图像超分辨率模型，实现了比最先进 GAN 方法更高的重建精度和更好的感性质量。

    Mar, 2022

  • 深度生成对抗网络压缩伪影去除

    利用生成对抗网络模型和卷积残差网络结构，该论文提出了一种用于去除图像压缩失真的方法，并且该方法在物体检测方面的性能表现优于传统的均方误差和结构相似性优化算法。

    Apr, 2017

  • 通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影

    通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。

    Feb, 2024

  • StarSRGAN: 提高实际世界中的盲目超分辨率

    StarSRGAN 是一种用于盲超分辨率任务的 GAN 模型，通过实验比较与 Real-ESRGAN，提供了新的最先进性能，MANIQA 和 AHIQ 度量方面大约提高了 10%；另外，StarSRGAN Lite 是一种紧凑版模型，提供了大约 7.5 倍更快的重建速度，但仍能保持近 90% 的图像质量，从而有助于未来研究中开发实时超分辨率体验。

    Jul, 2023

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 将空间信息融入 GAN 超分辨率模型的损失函数的通用方法

    在这篇文章中，我们提出了一种通用方法，可以在大多数基于生成对抗网络（GANs）的超分辨率（SR）模型中有效地引入空间信息，并将其导入训练损失，从而减少产生的伪影和噪声，最终提高感知质量。

    Mar, 2024

  • ESRGAN：增强型超分辨率生成对抗网络

    该研究通过提出 ESRGAN，改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名，并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。

    Sep, 2018

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 通过对抗鲁棒性实现广义真实世界的超分辨率

    该研究提出了一种称为 Robust Super-Resolution (RSR) 的新方法，该方法利用敌对攻击的泛化能力来解决现实世界的超分辨率问题，并证明其相对现有最先进方法在真实世界数据集上的泛化能力更强。

    Aug, 2021

  • 基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

    通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

    Apr, 2024