Nov, 2023

基于学习的噪声图像保真超分辨率

PDF
TL;DR我们提出了一种学习方法，能够在保留图像特性的情况下，对带有噪声的低分辨率图像进行超分辨率处理。通过定量度量（如归一化交叉相关性、归一化均方误差、峰值信噪比、结构相似度特征相似度、通用图像质量等），我们训练网络提升低分辨率噪声图像的分辨率，同时保留其特性。实验结果表明，与现有的学习方法相比，我们的方法在不同噪声类型和上采样因子下，改善了噪声图像的高分辨率预测，并且超过了学习方法并与标准方法相媲美，保留了图像的轮廓、亮度和纹理，并减少了图像的伪影。
super-resolutionnoisy imageslearning-based methodpreserving propertiesquantitative metrics
发现论文，激发创造
  • 单图像超分辨率保留全局结构和降噪的新技术

    本研究提出两种新的神经网络架构，分别解决了单图像超分辨率中上采样时的噪声放大和大尺度结构的保留问题，并在 2018 年 NTIRE 超分辨率挑战赛的多项比赛中获得较高名次。

    May, 2018

  • 基于深度学习的图像超分辨率方法考虑了量化和知觉质量

    本文研究高清晰度重建中的量化质量和感知质量之间的平衡关系，并提出了一种新的超分辨率方法，该方法结合深度网络、鉴别器网络和两个定量评分预测器网络，可以在保持传统定量性能的同时提高上采样图像的感知质量。实验结果表明，所提出的方法在量化和感知质量之间取得了良好的平衡，比现有方法更令人满意。

    Sep, 2018

  • 学习单图像超分辨率无参考质量评估指标

    本文通过对大量超分辨率图像进行人类主观研究，提出了一种基于视觉感知评分学习的无参考指标，使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化，并学习了一个两阶段回归模型，无需参考基准图像即可预测超分辨率图像的质量得分，实验证明这种指标可以有效、高效地评估超分辨率图像的质量。

    Dec, 2016

  • 面向实际超分辨率的无监督学习

    该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超分辨率网络的泛化性。

    Sep, 2019

  • 基于学习的超分辨率框架在美国信号中的应用

    提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

    Apr, 2023

  • 用神经架构搜索实现快速、精确和轻量级的超分辨率处理

    使用神经架构搜索的多目标方法能够在以 FLOPS 为指标的量化实验中优于现有方法，以在资源受限条件下平衡模型的简单度和修复能力。

    Jan, 2019

  • EnhanceNet: 自动纹理合成的单图像超分辨率

    该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法，利用卷积神经网络实现前馈学习与对抗训练相结合，取得了高效、有效的成果。

    Dec, 2016

  • 使用伪监督的无配对图像超分辨率

    本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

    Feb, 2020

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • 自监督学习用于图像超分辨率与去模糊

    自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效，在科学和医学成像应用中为基于学习的方法铺平了道路，其中获得地面真实数据难度或费用较高，在磁共振成像和计算机断层扫描中就是这种情况。然而，现有方法在图像超分辨率和去模糊问题中无法取得竞争性能，在大多数成像系统中起着关键作用。在本文中，我们展示了对于仅包含低频信息的测量数据，对于学习的翻译和旋转不变性是不足够的。相反，我们提出了一种新的自监督方法，利用了许多图像分布近似尺度不变的事实，可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法，并获得了与完全监督学习相当的性能。

    Dec, 2023