Jan, 2024

对称视觉注意力网络实现高效图像超分辨率

PDF
TL;DR通过应用大感受野，我们提出了一种称为 Symmetric Visual Attention Network (SVAN) 的方法来改进高效超分辨率重建，减少了算法参数的数量并提高了模型的感知能力。实验结果表明，我们的方法只使用了现有 SOTA 方法约 30% 的参数，却能获得高质量的超分辨率重建结果。
single-image super-resolutionefficient super-resolutiondeep small kernel convolutionsymmetric visual attention networkreceptive field
发现论文，激发创造
  • 一种两阶段注意力网络的单幅图像超分辨率方法

    本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果

    Apr, 2021

  • 适用于高效超分辨率的无参数关注网络

    单幅图像超分辨率是低层次计算机视觉中的关键任务，该论文提出了 Swift Parameter-free Attention Network (SPAN)，使用参数自由的注意力机制实现高效的超分辨率模型，平衡参数数量、推断速度和图像质量，实现了显著的质量和速度的平衡。

    Nov, 2023

  • 激活图像超分辨率中更广阔的区域

    本文介绍了使用 Vision Mamba 模型在单图超分辨率 (SISR) 领域中提高性能的方法，并通过引入 MMA 网络的综合实验分析验证了其竞争力和灵活性，鼓励在图像处理领域中进一步探索利用状态空间模型的潜力。

    Mar, 2024

  • 用于立体视频超分辨率的新数据集和变压器

    本研究提出了一种新的基于 Transformer 模型的立体视频超分辨率方法，利用空间 - 时间卷积自注意力和光流特征对立体一致性和帧序一致性进行处理，使用视差注意机制融合立体视点，对新收集的 SVSR-Set 数据集进行了广泛实验，取得了与最新方法相媲美的结果。

    Apr, 2022

  • 变形核卷积网络用于视频极高清晰重建

    该研究提出了一种新型基于深度学习的视频超分辨率算法 DKSAN，该算法利用了新设计的变形卷积对齐和可形变内核空间注意力模块，更好地利用了时空冗余来促进不同层之间的信息传播，并在实验中展示了比现有技术 EDVR 更好的超分辨率效果。

    Oct, 2020

  • 图像超分辨率中的注意力注意网络

    本研究提出了一种新的超分辨率模型 ——A^2N 模型，该模型中引入了注意力机制，并通过动态调整注意力机制使模型达到更高的性能。实验表明，该模型表现出优异的性能。

    Apr, 2021

  • 轻量级图像超分辨率的全局聚合网络

    提出了一种名为 Omni-SR 的新型架构，通过增强的 Omni Self-Attention 块和多尺度交互机制来改善轻量级 ViT 框架中 one-dimensional self-attention 建模的局限和同构聚合方案，并在图像超分辨率任务中获得最高记录性能。

    Apr, 2023

  • 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

  • 大感受野网络用于高比例图像超分辨率

    提出了 Large Receptive Field Networks，它可以扩展超分辨率网络的感受野，同时不增加深度或参数计数，通过实验证明该方法在提高准确率（PSNR / SSIM），减少参数计数和提高速度方面具有有效性。

    Apr, 2018

  • 单幅图像超分辨率高相似度通道关注机制

    本文提出了高相似度通道的注意力软阈值操作，以减少长距离依赖的冗余非本地特征，有效提高了单图超分辨率的难度，并进一步将该操作集成到现有的深度学习模型中。实验表明，本文方法相对于现有技术有更好的定量和定性结果。

    May, 2023