StarSRGAN: 提高实际世界中的盲目超分辨率
本研究将 ESRGAN 应用于实际的纹理恢复应用中,在处理复杂的真实世界退化图像时,引入高阶退化建模过程,并考虑到常见的环绕和过冲伪影,采用具有谱归一化的 U-Net 鉴别器来增强鉴别器的能力和稳定训练动力学, 并提供了实时生成训练样本的高效实现。
Jul, 2021
这篇论文系统地回顾了最近盲目图像超分辨率的研究进展,提出了一个分类法以区分现有的方法,并对常用数据集和以前的比赛进行了总结。同时,通过对合成和真实测试图像的详细分析,对不同方法的优缺点进行了比较。
Jul, 2021
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
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
采用交替优化算法,通过设计卷积神经网络模块 Restorer 和 Estimator,实现了盲超分辨率重建,克服了降解估计准确性不高的问题,从而获得更鲁棒和准确的最终结果。
Aug, 2023
现在,基于深度学习的方法在理想的超分辨率(SR)数据集上展现出了令人印象深刻的性能,但在应用于具有不可预测模糊核的现实 SR 重建任务时,大多数这些方法会显著降低性能。为了解决这个问题,提出了盲 SR 方法来改善随机模糊核造成的视觉结果,这同样导致理想低分辨率图像的重建效果不理想。本文提出了一个用于理想和盲 SR 任务的双赢框架,命名为 S2R,包括一个轻量级的基于 transformer 的 SR 模型(S2R transformer)和一种新颖的自上而下的训练策略,可以在理想和随机模糊条件下实现出色的视觉结果。在算法层面上,S2R transformer 巧妙地组合了一些高效且轻量级的块,以增强提取特征的表示能力,并且具有相对较少的参数。对于训练策略,首先进行粗粒度的学习过程,通过大规模外部数据集的帮助来改进网络的泛化能力,然后,开发了一种快速微调过程,通过挖掘图像的内部特征将预训练模型转移到现实 SR 任务中。实验结果表明,提出的 S2R 在理想的 SR 条件下仅使用 578K 参数就优于其他单图像 SR 模型。同时,在盲模糊条件下,它可以实现比常规盲 SR 模型更好的视觉效果,仅使用 10 次渐变更新就提高了收敛速度 300 倍,显著加速了在现实世界情况下的迁移学习过程。
Aug, 2023
该论文基于高斯过程的神经架构搜索方案,通过多种不同的网络结构和超参数选择进行模型集成,设计出一个用于实际图像高清化的深度残差网络,在 AIM 2020 实际图像高清化挑战赛上荣获三项第一。
Sep, 2020
本研究在 14 个小数据集上进行了高倍率 (8x) 的盲图像超分辨率 (DL) 技术的评估,包括 Adaptive Pseudo Augmentation (APA)、Blind Image SR with Spatially Variant Degradations (BlindSR)、 Deep Alternating Network (DAN)、FastGAN 和 Mixture of Experts Super-Resolution (MoESR),并使用 NIQE 和 MANIQA 评估这些方法的表现。其中,MoESR 被认为是最好的解决方案,但所有技术创建的 HR 图像的感知质量仍需要改进。
Jun, 2023
该研究提出了 Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) 模型,采用感知驱动的方式进行单幅图像超分辨率处理,引入了新颖的模块和噪声输入方法以进一步改善图像的感知质量和纹理特征。
Jan, 2020
本文提出了一个高效的生成对抗网络模型用于在需要可靠的视觉流来监视任务、处理远程操作或研究相关视觉细节的环境中支持机器人任务的单图像超分辨率,并通过定制的网络架构和模型量化使其在 CPU 和 Edge TPU 设备上达到高达 200 fps 的快速推断,同时进一步通过将其知识压缩至网络的较小版本来优化我们的模型,并与标准训练方法进行比较,得出显著的性能改善结果。我们的实验结果表明,相比于更重型的现有模型,我们的快速轻量模型在保持极高图像质量的同时,具有显著的优势,在带宽降级的图像传输方面的应用潜力也值得进一步挖掘。
Sep, 2022