超分辨率 SOTA 方法在相机拍摄图像修复中的适应性
采用强大的视觉语言模型和合成降解管道,通过基于扩散模型和后验采样策略的鲁棒训练,提高图片还原质量并解决特定数据集无法恢复模糊、缩放、噪声和 JPEG 压缩等不同降解方式的问题。
Apr, 2024
通过级联扩散控制模型和多重注意机制,本研究提出了一种图像超分辨率方法,其目标是从降质版本中生成高质量、清晰的图像。研究结果表明该方法在提高图像还原的准确性和真实性方面非常有效和优越。
Mar, 2024
本研究论文提出了一种使用深度学习,特别是卷积神经网络(CNNs),与计算机视觉技术相结合的创新方法来革新艺术修复领域。通过创建多样化的退化艺术图像数据集,我们训练了一个分布式去噪卷积神经网络(DDCNN),该网络能够去除失真并保留复杂的细节,可适用于绘画、素描和照片等多种退化艺术品。大量实验证明了我们方法相对于传统技术的高效性和有效性,使退化艺术品焕发出新的风采。定量评估结果证实了我们方法的优越性,重塑了艺术修复领域,为保护文化遗产开辟了新的道路。总之,本论文引入了一种结合计算机视觉和深度学习的基于人工智能的解决方案,通过 DDCNN 准确恢复艺术品,克服了传统方法的局限性,并为艺术修复领域的未来进步铺平了道路。
Oct, 2023
通过使用 ArtiFusion 进行逐渐去噪的过程,该研究提出了一种新的组织学图像去伪存真的方法,该方法能够成功地恢复失真区域外的真实组织结构和染色样式。
Jul, 2023
我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架,通过使用无监督对比学习获取图像降级的表示,并将降级意识模块集成到简化的 ControlNet 中,在各种降级情况下灵活地适应不同的降级,有效恢复更加精确和逼真的细节,表现出在各种基准测试中的最先进性能。
Mar, 2024
本文提出了一个有效的图像增强方法,通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形,从而提高对抗性的鲁棒性,同时提高图像质量和保持干净图像上的性能表现。
Jan, 2019
通过生成式视觉 - 语言模型来增强艺术品数据集,以应对文化遗产领域中有限的注释数据和领域偏移,提高模型对艺术特征的理解和生成恰当术语的能力。
Aug, 2023
通过 Transformer 网络 Restorer,我们设计了一种综合有效的解决方案,能够在去雨、去雪、去雾、去模糊等多种图像修复任务中展现国际领先或可比较的性能,并且在推理时速度更快。
Jun, 2024
本文提出了一种轻量级网络,采用 Siamese Self-Attention Block (SSAB) 和 Skip-Channel Attention (SCA) 模块,提高了模型对全局信息的聚合能力,适用于高分辨率图像,并且基于对低光图像恢复过程的分析,提出了一个优于现有方法的二阶段框架,能够在保持最先进的恢复质量的同时,用最少的计算量恢复一张 UHD 4K 分辨率的图像。
Dec, 2023
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