Dec, 2023

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

PDF
TL;DR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%。
发现论文，激发创造
  • 使用生成对抗网络的照片级单图像超分辨率

    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

  • PTSR：图像超分辨率的补丁翻译器

    提出了一种基于自注意机制的无卷积操作的转化器和生成对抗网络（GAN）网络 —— 补丁翻译器用于图像超分辨率，实验证明该网络在超分辨率上的性能得到了显著提升。

    Oct, 2023

  • 基于自注意力的自适应变形网络用于图像增强

    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。

    Oct, 2023

  • 深度生成对抗残差卷积网络用于真实世界超分辨率

    通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

    May, 2020

  • 深度循环生成对抗残差卷积网络用于真实图像超分辨率

    本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

    Sep, 2020

  • 使用 GAN 进行视频增强的超分辨率研究调查

    这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

    Dec, 2023

  • 基于渐进感知的单幅图像超分辨率网络

    本文提出了一种分阶段新颖的感知图像超分辨率方法，第一阶段集中于最小化点之间误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留，并采用第二阶段提取的细节结构特征来产生更真实的结果，通过多尺度特征融合，提出的方法优于现有方法。

    Jul, 2019

  • 小型感知超分辨率之旅

    本文提出了一种神经架构搜索方法，将神经架构搜索和生成对抗网络与最近的感知超分辨率相结合，将小型感知超分辨率模型的效率推向极致，适用于末端设备。该方法搜索生成器和鉴别器的结构，优于现有方法，可以让感知 SR 模型比 SRGAN 快 26.4 倍，同时保持较高的质量。

    Jul, 2020

  • 改进生成对抗网络用于视频超分辨率

    我们研究了如何改进生成对抗网络进行视频超分辨率任务的方法，通过基于单图像超分辨率 GAN 模型来探讨不同的技术。我们的研究结果表明，包括时间平滑、长短期记忆（LSTM）层和时间损失函数在内的技术组合相比基础视频超分辨率生成对抗网络（GAN）模型在 PSNR 上有 11.97% 的提升，在 SSIM 上有 8% 的提升。这个重大的改进为进一步应用于当前最先进的模型提供了潜在机会。

    Jun, 2024

  • 使用深度变分自编码器进行图像超分辨率

    介绍了一种新的 VDVAE-SR 模型，利用预训练 VDVAE 的迁移学习来解决图像超分辨率问题，并与其他同类模型在图像质量指标上具有相当的竞争力。

    Mar, 2022