Nov, 2023

CoSeR：连接图像和语言的认知超分辨率

PDF
TL;DR引入 Cognitive Super-Resolution (CoSeR) 框架，通过融合图像外观和语言理解生成认知嵌入，激活大型文本到图像扩散模型的先前信息，并通过提供高质量参考图像优化超分辨率过程，以此修复语义正确和逼真的细节。
super-resolutioncognitive super-resolutionimage restorationsemantic detailscondition injection
发现论文，激发创造
  • SeeSR: 面向语义感知的现实世界图像超分辨率

    通过训练一个 degradation-aware 提取器，我们提出了一种针对生成式真实世界图像超分辨率的语义感知方法，以更好地保留语义保真度，同时将低分辨率图像整合到初始采样噪声中以减少过多的随机细节生成，实验结果表明我们的方法可以重现更现实的图像细节并更好地保持语义。

    Nov, 2023

  • CasSR: 激活图像力量的真实世界图像超分辨率

    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

  • 重新思考超分辨率，作为基于文本的细节生成技术

    本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

    Jul, 2022

  • 语义镜头：面向视频超分辨率的实例中心语义对齐

    该研究提出了一种基于视频语义的超分辨率方法，通过引入语义先验信息并结合像素级特征，实现了准确的帧间对齐，从而在视频超分辨率任务中获得了优于现有方法的结果。

    Dec, 2023

  • 水下图像同步增强和超分辨率以实现更好的视觉感知

    提出 Deep SESR 方法，支持水下机器人对图像进行同步增强和超分辨，通过多模态目标函数训练，能够支持 2x、3x、4x 空间分辨率的图像恢复，并在 UFO-120 数据集上进行了验证实验。

    Feb, 2020

  • 基于上下文化多任务学习的结构保持图像超分辨率

    本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

    Jul, 2017

  • DeepSEE: 深度去耦合语义探索极端高清晰度

    本研究提出了一种探索性人脸超分辨率框架 DeepSEE，它是第一种利用语义地图的方法，可以控制语义区域及其外观，并允许广泛的图像操作，通过在人脸上进行最多 32 倍的放大，验证了 DeepSEE 的有效性。

    Apr, 2020

  • 探索式超分辨率

    本文介绍了可探索超分辨率的任务，并提出了一个框架，包括带有神经网络后端的图形用户界面，允许编辑 SR 输出以探索丰富的 HR 对低分辨率输入的解释。该框架的核心是一个新颖的模块，可以包装任何现有的 SR 网络，并在其下采样时保证其 SR 输出与 LR 输入精确匹配，同时可以用于处理与网络训练不同的模糊核。

    Dec, 2019

  • CiaoSR: 连续隐式注意力在注意力网络中用于任意尺度图像超分辨率

    本文提出了一种连续的隐式关注网络，称为 CiaoSR，以解决在单张图片超分辨率重建中可能遇到的局部模型信息不足、感受野受限的问题，并在多个基准数据集上实验表明 CiaoSR 显著优于现有的单个图像超分辨率方法，并取得了任意比例超分辨率任务的最佳性能。

    Dec, 2022

  • 高效图像超分辨率：通过专家挖掘实现更多细节

    在图像超分辨率（SR）中，采用专家挖掘的高效 SR 模型 SeemoRe 能够在有效设置中以最小的计算成本实现最佳性能。

    Feb, 2024