Dec, 2023

学习基于方向先验的射线图像超分辨率：方向操作变换器

PDF
TL;DR本文提出了一种新颖的名为 $O^{2}$former 的框架，通过引入方向操作员和多尺度特征融合策略，改善了放射性图像超分辨率任务中重建模型的性能，有望进一步推动放射图像增强领域的发展。
high-resolution radiographic imagessingle-image super-resolution modelorientation operator transformerskeletal muscle-related diseasesradiological image super-resolution
发现论文，激发创造
  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法，具有良好的细节保留和结构重建性能，其中 GAN 是提高高分辨率图像生成质量的关键模块之一。

    Jun, 2023

  • OSRT: 基于畸变感知变换器的全向图像超分辨率

    本文提出了一种基于 Fisheye 降采样和失真感知 Transformer 的方法，用于实现全景图像的高清增强，实验结果表明其表现优于以往的方法。

    Feb, 2023

  • 感知导向的单图超分辨率使用最佳目标估计

    本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。

    Nov, 2022

  • 具有可学习的频率感知丢失先验的分层神经运算器变压器用于任意尺度超分辨率

    本研究提出了一种任意尺度的超分辨率方法，用于提高科学数据的分辨率；基于算子学习，使用分层神经算子和自注意机制，利用 Sinc 滤波器实现不同层级之间的信息传递，并引入可学习的先验结构动态调整像素贡献权重，从而有效平衡模型中的梯度；在多个领域的不同数据集上进行了大量实验证明相对于最先进的方法，本方法有着持续的改进。

    May, 2024

  • 几何畸变导向的全向图像超分辨率变换器

    介绍了一种新的基于几何畸变引导变压器的全向图像超分辨率方法，通过引入畸变调制的矩形窗口自注意机制和变形自注意机制，提高了感知畸变的能力，并在不同自注意模块间采用动态特征融合方案。在公开数据集上进行了广泛的实验，表明该方法在全向图像超分辨率方面优于现有方法。

    Jun, 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

  • 图像超分辨率早期训练阶段的无噪优化

    本文研究了基于深度学习的单图像超分辨率方法中的反问题，并通过将目标高分辨率图像分解为最优质心和固有噪声两个子组成部分，提出了一种新的优化方法，以更好地捕捉该问题的本质并增强其稳定性。

    Dec, 2023

  • 具有梯度引导的结构保持超分辨率

    本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。

    Mar, 2020

  • OmniSSR：零样本全向图像超分辨率利用稳定扩散模型

    通过使用稳定扩散模型的图像先验，将全向图像超分辨率与保真度和真实感相结合，实现了零样本学习，无需训练或微调。在两个基准数据集上的实验证明了该方法的有效性。

    Apr, 2024

  • 基于辅助特征学习的轻量级单图像超分辨率网络

    通过提出的关注辅助特征（A^2F）为基础，我们开发了一种计算效率高但准确性良好的网络以用于单幅图像超分辨率（SISR）处理，并且在大规模数据集上的实验结果证明了该模型的有效性。

    Nov, 2020