CAMixerSR: 只需更多关注细节
提出了一种新的神经网络,基于 WaveMix 架构,用于图像超分辨率,不同于基于 transformer 的模型,WaveMixSR 使用离散小波变换进行空间令牌混合,可以在更少的资源和训练数据的情况下实现更高的性能,同时保持较高的参数效率。
Jul, 2023
采用类 Transformer 的 CAMixer 结构结合全局注意力机制进行合成孔径雷达图像变化检测,通过并行设计将自注意力和平移卷积相结合,实现全局语义信息的捕获,并同时进行局部特征提取,并采用门控机制来增强非线性特征变换,进而提高对杂波噪声的高质量表示。经过在三个合成孔径雷达数据集上的广泛实验验证,CAMixer 模型展现出卓越的性能。
Sep, 2023
本文中,我们提出了一种基于 CNN 的 Sparse Mask SR (SMSR) 网络,以学习稀疏掩模,以便在保持可比较性能的同时,准确地定位和跳过冗余计算,从而提高 SR 网络的推理效率。
Jun, 2020
引入 Cognitive Super-Resolution (CoSeR) 框架,通过融合图像外观和语言理解生成认知嵌入,激活大型文本到图像扩散模型的先前信息,并通过提供高质量参考图像优化超分辨率过程,以此修复语义正确和逼真的细节。
Nov, 2023
本文提出了一种名为内容感知比特映射的新方法,可以在训练期间学习每个层的比特选择器,构建适用于超分辨率网络的边缘到比特查找表,通过该策略可以找到更好的比特配置结果,使得混合精度网络更加高效。
Apr, 2023
本研究提出了一种基于多任务学习的框架,通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留,其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。
Jul, 2017
通过引入 Convolutional Transformer 层(ConvFormer)和基于 ConvFormer 的超分辨率网络(CFSR),提出了一种有效且高效的轻量级图像超分辨率任务解决方案,通过使用大卷积核卷积作为特征混合器替代自注意模块,实现了较长范围依赖关系和广泛接受域的建模,同时在计算成本稍微增加的情况下保留了更多高频信息,并且相对于现有的轻量级 SR 方法在计算成本和性能之间取得了先进的平衡。
Jan, 2024
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
针对行动识别任务中低空间分辨率视频影响识别准确性的问题,提出了基于光流的 SR 方法和 siamese 网络的 SR 方法,对包括 UCF101 和 HMDB51 的两个数据集进行实验,并证明了我们提议的 SoSR 和 ToSR 方法在提高识别准确性方面的有效性。
Mar, 2019
本文提出了一种连续的隐式关注网络,称为 CiaoSR,以解决在单张图片超分辨率重建中可能遇到的局部模型信息不足、感受野受限的问题,并在多个基准数据集上实验表明 CiaoSR 显著优于现有的单个图像超分辨率方法,并取得了任意比例超分辨率任务的最佳性能。
Dec, 2022