Feb, 2024

LoLiSRFlow: 跨尺度变换器条件流的联合单图像低光增强与超分辨率

PDF
TL;DR通过提出一种新的网络模型，名为 LoLiSRFLow，该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题，并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。
发现论文，激发创造
  • SRFlow: 学习归一化流的超分辨空间

    该论文提出了一种基于正则化流的超分辨率方法 SRFlow，它可以通过训练学习输入低分辨率图像与输出高分辨率图像之间的条件分布，进而解决该问题多解的困难并提高了图像的处理能力。

    Jun, 2020

  • Hierarchical Conditional Flow：一种用于图像超分辨率和图像缩放的统一框架

    该研究提出了一种称为 hierarchical conditional flow (HCFlow) 的统一框架，它可以同时用于图像超分辨率和图像缩放任务，采用正则化流模型，并且采用感知损失和 GAN 损失来提高性能，在广泛的实验中展示了最先进的视觉效果。

    Aug, 2021

  • 任意尺度图像超分辨率的本地隐式归一化流

    本文提出了一种名为 LINF 的算法，使用局部隐式正则化流对超分辨率进行任意尺度的处理，可以生成具有丰富纹理细节的照片般逼真的高分辨率图像，并在大量实验中证明了 LINF 与先前的任意尺度超分辨率方法相比具有最先进的感知质量。

    Mar, 2023

  • 学习无配对真实世界图像的多对多映射进行图像超分辨率和图像降采样

    该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图像。

    Oct, 2023

  • 利用正则化流进行低光照图像增强

    本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系，通过一个可逆网络，将低光图像 / 特征作为条件，学习将正常曝光图像的分布映射到高斯分布，从而得以更好地建模正常曝光图像的条件分布，在提高图像亮度、减少噪声和伪影、增强色彩方面表现出更好的定量和定性结果。

    Sep, 2021

  • 标准流作为照片逼真超分辨率的灵活保真目标

    本研究针对超分辨率问题的模糊化现象，以条件流为基础，探究了一种更优的代替像素误差目标函数的方法，应用于拟真超分辨率领域中具体的三个数据集，得到了较高的视觉表现和一致性。

    Nov, 2021

  • 低分辨率引领未来：通过自监督学习提高超分辨率的泛化能力

    使用 “Low-Res Leads the Way”（LWay）训练框架，结合有监督预训练和自监督学习，通过提取低分辨率（LR）图像的降级嵌入，与超分辨输出合并进行 LR 重建，并利用未见过的 LR 图像进行自监督学习，从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力，并通过离散小波变换（DWT）进一步改进对高频细节的聚焦，该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，并超越了现有方法，是一种适用于实际图像超分辨应用的通用训练方案。

    Mar, 2024

  • 基于深度排列几何嵌入和结构一致性正则化的光场空间超分辨率

    本文提出一种基于学习的轻场景图像空间超分辨率框架，在每个轻场景图像视角学习探索不同的信息，并通过正则化网络结构来确保场景的正确视差关系，实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB，而且以更低的计算成本保持了更准确的视差细节。

    Apr, 2020

  • LFSRDiff：基于扩散模型的光场图像超分辨率

    通过引入 LFSRDiff，首个基于扩散的光场图像超分模型，将 LF 解缠机制与扩散模型相结合，实现了在 LF 图像中更有效地提取和融合空间和角度信息，产生了多样且逼真的超分辨结果，尤其在感知度量方面表现出较高的水平。

    Nov, 2023

  • 基于噪声条件流模型的超分辨空间学习

    提出了一种基于噪声条件流模型（NCSR）的超分辨率算法，通过噪声条件层，增加了图像的视觉质量和多样性，并且解决了正则化流模型中存在的数据分布不匹配问题。实验证明，NCSR 在多样性和视觉质量方面均优于基线和传统 GAN 模型，并在 NTIRE 2021 挑战中取得了最佳成绩。

    Jun, 2021