卫星视频的深度盲超分辨率
本研究提出 DynaVSR 框架,采用元学习技术,在实际视频 SR 场景下实现了较快速的降采样模型估计和自适应学习,并与视频 SR 网络无缝结合,实现了比现有的盲目 SR 方法更快的推理时间和更高的性能提升。
Nov, 2020
本文提出了基于模糊内核建模方法的深度卷积神经网络模型,用于解决视频超分辨率问题,该模型包括运动模糊估计、运动估计和潜在图像恢复模块,实验证明该算法能够生成结构更清晰、细节更好的图像,并且性能优于当前先进的方法。
Mar, 2020
这篇论文系统地回顾了最近盲目图像超分辨率的研究进展,提出了一个分类法以区分现有的方法,并对常用数据集和以前的比赛进行了总结。同时,通过对合成和真实测试图像的详细分析,对不同方法的优缺点进行了比较。
Jul, 2021
通过引入视频压缩降级模型,提出了一种盲目单图像超分辨率方法,可恢复由视频压缩引起的失真,通过合成低分辨率图像数据并训练神经网络,在图像质量评估和视觉质量方面取得了优秀的性能。
Nov, 2023
本文提出一种盲图像超分辨率的新方法,使用重新构建的退化模型和两个新模块,通过对内核估计和内核基于高分辨率图像恢复的改进,实现更好的准确性和视觉改进,并在多个基准测试中进行了验证。
Feb, 2022
该论文提出了一种随机洗牌方法来模拟真实的降级因素并在合成的数据集上训练深度神经网络,使其在真实世界的视频超分辨率方面表现更好。结果显示,相较于 RealBasicVSR 在 NRQM 方面提高了 7.1%,相较于 BSRGAN 提高了 3.34%。同时,该论文也提出了一个新的包含高分辨率真实视频的数据集,可作为基准测试的共同参照。
May, 2023
本研究提出了一个新的非参数性盲超分辨率方法,该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果,并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化,最后比较实验证明,该方法在核估计准确性和图像超分辨率质量方面都表现优异。
Mar, 2015
该研究介绍了一种优化的框架,用于联合处理焦点去模糊(重新聚焦)和视频超分辨率(VSR)的任务。该方法利用新颖的映射引导变换器和图像传播,有效地利用焦点模糊的连续空间变化,并修复录像。还引入了一种流重新聚焦模块,以有效地对齐模糊和清晰领域之间的相关特征。此外,提出了一种生成合成焦点模糊数据的新技术,扩展了模型的学习能力,包括更广泛的内容。该研究通过对 DAVIS-Blur 数据集进行综合实验,证明了该方法的优越性。与现有的视频恢复方法相比,我们的方法平均峰值信噪比性能提高了 1.9dB 以上,达到了最先进的结果。我们的源代码将在此 https URL 中提供。
Jul, 2024
通过图像预处理,设计了一种在处理现实世界视频超分辨率中平衡细节合成和伪影抑制的 RealBasicVSR 模型,并且提出了一种随机退化方案来降低训练时间,同时使用更长序列代替更大批次进行训练以提高模型的稳定性。此外,还创建了新的 VideoLQ 数据集来作为基准测试的公共基础。
Nov, 2021