引导式线性上采样
本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法,使用结构化边缘检测和语义场景标记来获取目标边缘线索,并将两种线索结合于测地距离度量中,进而在利用局部内容的情况下,实现了保持边界的深度插值,通过将观察到的场景结构建模为本地平面元素,并将上采样任务形式化为全局能量最小化问题,定出全局一致的解决方案,有效地保留了细节和深度边界,实验结果表明,与现有技术相比,本研究方法在不同的应用水平下均表现出卓越的性能。
Aug, 2016
该研究提出了一种新颖的向导超分辨率方法,将问题视为像素级向导图到源图像域的映射,使用无监督学习和多层感知机来参数化映射函数,达到超分辨率的效果,并在深度图和树高图两个任务中均优于其他基线算法。
Apr, 2019
本文介绍了一种对引导滤波器的简单加速方法,通过采用子采样技术将其时间复杂度从 O (N) 优化到 O (N/s^2),使其在图像编辑等实际应用中获得了较高的速度和可用性。
May, 2015
本文提出了一个神经网络框架,该框架能够联合学习时空下采样和上采样,并提出了两个新模块以解决时空去混叠问题和提高重建性能。实验证明,该方法显著提高了时空重构质量,并且能够应用于任意视频重采样、模糊帧重建和高效视频存储。
Mar, 2022
本文提出了一种基于数据项和光滑项的 Robust Guided Image Filtering(RGIF)通用框架,旨在解决引导图像与目标图像之间的结构不一致性以及目标图像中噪声的问题。该模型可同时去噪目标图像和执行对噪声具有鲁棒性的 GIF 操作,并具有良好的边缘保持平滑处理效果。通过提出的迭代加权最小二乘法(IRLS)方法来解决高度非凸问题,进一步开发基于数据驱动的参数优化方案,以适当确定模型中参数。
Mar, 2017
通过在采样过程中添加单个项,不需要额外的训练或依赖外部模型,我们提出了升采样引导技术,将预先训练的扩散模型(如 $512^2$)适应于生成更高分辨率的图像(如 $1536^2$)。我们发现合适的引导尺度选择可以改善图像质量、保真度和快速对齐。
Apr, 2024
通过对图像中一组有序像素数据进行上采样,我们的目标是:提高图像的分辨率,使得最终结果通过人类测试,增加新的、可信的、逼真的信息和细节到图像中,同时保持相对于有损上采样实现的时间复杂度较接近。
Mar, 2024
通过使用卷积上采样操作并增加内核大小而保持编码器不变,我们首次探索了上采样过程中上下文的重要性,并发现增大内核大小可以提高像素预测任务的稳定性,尤其在图像修复或图像分割任务中。
Nov, 2023
本文提出了一种基于反馈机制的迭代图像修复方法,该方法使用深度生成模型输出填补结果和对应的置信度图作为反馈,结合引导上采样网络和真实对象移除场景下的训练数据的综合使用来实现高效图像修补。实验表明,该方法在定量和定性方面均优于现有方法。
May, 2020