RefVSR++:利用参考输入进行基于参考的视频超分辨率
该研究提出利用引用视频进行超分辨率处理的引用视频超分辨率(RefVSR)网络模型,实验结果表明,该模型在三个摄像头的超宽视频三重组成的数据集上表现出了最先进的 4x 超分辨率性能。
Mar, 2022
该研究提出了一种使用参考图像进行高保真图像超分辨率的新方法,针对双摄像头超分辨率进行了重点研究,其利用空间对齐操作推广了标准的基于补丁的特征匹配方法。进一步探索了 RefSR 的一种有前途的应用:双摄像头超分辨率,并构建了由智能手机主摄像头和长焦摄像头的 146 个图像对组成的数据集。此外,为了弥合现实世界图像和训练图像之间的领域差距,该研究提出了一种自我监督的领域自适应策略。对数据集和公共基准的广泛实验表明,该方法在定量评估和视觉比较方面均显著优于现有最优方法。
Sep, 2021
在这篇论文中,我们针对智能手机的参考图像超分辨率(RefSR)处理中的两个挑战性问题进行了研究,即如何选择适当的参考图像和如何以自监督的方式学习 RefSR。同时,我们提出了一种针对真实场景下的 RefSR 的自监督学习方法,通过观察双重和多重摄像头放大的图像。我们的方法在实验中表现出更好的定量和定性性能,并提供了可用的代码。
May, 2024
利用双镜头进行超分辨率图像重建,首先通过全局和局部变形将参考图像与低分辨率图像对齐,然后利用无核匹配策略完成图像配准,解决了分辨率差异和保持一致性的问题,并通过构建数据集验证了方法的有效性。
Dec, 2023
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
本文提出了新的自监督学习方法 (SelfDZSR),用于从采用双倍相机变焦观察的真实世界图像中进行超分辨率重建,并以高分辨率图像为监督信息,以匹配其低分辨率版本的特征。
Mar, 2022
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
本文提出了一种用于航空监视的双摄像头系统,通过基于参考的超分辨率生成高空间 - 时间分辨率视频帧,并结合光流估计和注意机制,以捕捉两个视频源帧之间的细微运动和复杂依赖关系。通过模拟实验,证明该模型在 PSNR 和 SSIM 度量方面相较现有的基于参考的超分辨率技术取得显著改进,并在功耗受限的无人机上部署时表现出足够的帧率适用于广域航空监视。
Oct, 2023
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。
Jun, 2023
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