APISR:动漫制作启发下的现实世界动漫超分辨率
本文研究解决现实世界中动画视频超分辨率(VSR)的难题,并揭示了实用动画 VSR 的三个关键改进:通过学习基本运算符来改进基本降质操作生成过程中的能力,使用 AVC 数据集进行综合训练和评估,以及研究有效的多尺度网络结构。我们的 AnimeSR 方法能够有效和高效地恢复现实世界中低质量的动画视频,并实现了优于以往最先进方法的性能。
Jun, 2022
本文提出了一种基于 Laplacian 金字塔的核预测网络(LP-KPN)来恢复高分辨率图像,通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集,证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果,且模型能够适应不同的相机设备。
Apr, 2019
通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较,本文全面评估了基于深度学习的单个图像超分辨率(SISR)方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现,并讨论了 RSISR 的挑战和未来研究方向。
Mar, 2021
提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集,包含了 450 个不同场景下的低分辨率和高分辨率视频对,并利用两个 DSLR 相机和一个分束器进行采集,同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络,以生成对应的高分辨率 sRGB 图像。实验结果表明,该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。
Sep, 2022
本文提出了一种分阶段新颖的感知图像超分辨率方法,第一阶段集中于最小化点之间误差,第二阶段利用前一阶段提取的特征来追求更好的结构保留,并采用第二阶段提取的细节结构特征来产生更真实的结果,通过多尺度特征融合,提出的方法优于现有方法。
Jul, 2019
本文提出了一个挑战性的动漫风格识别基准测试,并收集了一个大规模的动漫作品数据集进行评估,以验证风格学习而非特定角色学习的抽象画风识别模型。使用两种强大的人物重识别方法构建了基准性能,并发现 TransReID 在该数据集上的 mAP 仅为 42.24%,进一步表明了这一具有巨大语义差距的 ASR 任务需要深入研究。
Apr, 2022
本文介绍了一种使用 Charbonnier Loss 函数构建内容损失,并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架,能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比,该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。
Dec, 2017
本论文介绍了 AIS 2024 实时图像超分辨率(RTSR)挑战的新型基准,旨在在商用 GPU 上实时将 540p 的压缩图像提升到 4K 分辨率(4 倍因子)。使用包含各种从数字艺术到游戏和摄影的 4K 图像的多样化测试集。所有提出的方法相对于 Lanczos 插值都提高了 PSNR 保真度,并在 10 毫秒内处理图像。 在 160 个参赛者中,有 25 个团队提交了他们的代码和模型。这些解决方案设计出了适用于边缘设备的内存效率和运行时的新颖设计。本调查描述了对压缩高分辨率图像进行实时 SR 的最佳解决方案。
Apr, 2024
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
本研究调查了单图像超分辨率的经典方法和基于深度学习的方法,将这些方法分类为四类,并介绍了 SR 的问题,提供了图像质量指标,参考数据集和 SR 的挑战。其中包括 EDSR,CinCGAN,MSRN 等最先进的图像 SR 方法。
Feb, 2021