基于自注意力的自适应变形网络用于图像增强

Oct, 2023

基于自注意力的自适应变形网络用于图像增强

Degradation-Aware Self-Attention Based Transformer for Blind Image Super-Resolution

Qingguo Liu, Pan Gao, Kang Han, Ningzhong Liu, Wei Xiang

TL;DR我们提出了一种新的基于降噪感知自注意的 Transformer 模型，将 CNN 和 Transformer 组件结合到超分辨网络中，实现了在盲超分辨率方面的最先进性能。

Abstract

Compared to CNN-based methods, transformer-based methods achieve impressive image restoration outcomes due to their abilities to model remote dependencies. However, how to apply transformer-based methods to the f

transformer-based methods blind super-resolution degradation-aware self-attention cnn and transformer components state-of-the-art performance

发现论文，激发创造

无监督降质表示学习用于盲超分辨率

本文提出了一种无监督的降噪表征学习方案和一种 Degradation-Aware SR（DASR）网络，该方案可以区分表征空间中的各种降级，并通过学习提取判别性表征来获得准确的降级信息，在合成和真实图像上的实验结果表明了该方法的优越表现。

Apr, 2021

SRTransGAN：基于 Transformer 的生成对抗网络的图像超分辨率

提出了一种基于 Transformer 的生成对抗网络（SRTransGAN）来进行图像超分辨率，通过使用编码器 - 解码器网络生成 2x 图像和 4x 图像，使用视觉 Transformer 设计判别器网络来对合成和真实高分辨率图像进行二分类，通过分析显著性地图来了解所提方法的学习能力，SRTransGAN 方法在 PSNR 和 SSIM 评分的平均值上优于现有方法 4.38%。

Dec, 2023

基于知识蒸馏的盲超分辨率降级估计

本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的 SR 网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR，经过广泛的实验验证表明，KDSR 网络具有最先进的性能，并可以推广到各种退化过程。

Nov, 2022

单图像超分辨率的无监督退化学习

本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 2018

基于对比表示学习的盲目图像超分辨率

设计了一种名为 CRL-SR 的网络进行盲超分辨率重建，可以有效应对多模式、空间变量和未知分布的图像降质，其应用了对比度表示学习和对比度特征强化两种策略，并在实验中验证了其在超分辨率重建上的优越性。

Jul, 2021

将退化预测与高性能超分辨率网络相结合的框架

本文提出了将盲超分辨率预测机制与深度超分辨率网络相结合的框架，通过在 SR 网络特征映射中插入预测向量的元数据插入块，我们展示了最先进的对比预测方案和迭代预测方案在 RCAN 和 HAN 等高性能 SR 网络中成功地结合使用的结果，实现了比非盲和盲超分辨率网络更强大的超分辨率性能。

Nov, 2022

CDFormer：盲目图像超分辨率中融合扩散模型的退化预测

提出了一种新的盲超分辨率方法 CDFormer，通过捕捉降解和内容表示来改善图像质量，实验结果表明 CDFormer 在不同基准测试中表现出了最先进的性能。

May, 2024

学习单个卷积超分辨率网络以处理多种降质

我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

Dec, 2017

保留所有降级细节的盲图像超分辨率

通过重现降级的低分辨率图像，我们提出了一种用于学习降级表示的替代方法，并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明，我们的降级表示能够提取准确和高度鲁棒的降级信息。此外，对合成和真实图像的评估表明，我们的 ReDSR 在盲目超分辨率任务中达到了最先进的性能。

Jul, 2024

S2R: 探索一种双赢的基于 Transformer 的理想和盲超分辨率框架

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