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
本文介绍了一种新的方法,利用预先训练的文本到图像扩散模型中所包含的先前知识来实现盲超分辨率,并通过引入可控特征包装模块和渐进聚合采样策略来克服扩散模型固定尺寸的限制,实现对任何大小分辨率的适应,并在综合评估中展示了该方法在超分辨率领域的优越性。
May, 2023
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
提出了 PSRFlow,一种基于归一化流的科学数据超分辨率生成模型,它将不确定性量化结合到超分辨率过程中,并通过从高分辨率数据中捕捉缺失信息的高斯潜在空间进行采样生成了不同的超分辨率输出,达到了对超分辨率结果进行鲁棒的不确定性量化。
Aug, 2023
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
利用卷积神经网络实现流场高分辨率重构,不需要高分辨率标签,能够提高空间分辨率并降低流场数据的噪声水平。
Nov, 2020
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。
Feb, 2024
本文提出了一种基于正交流的核先验(FKP),可以有效地解决缺失约束的核估计问题,其中,FKP 可以在隐空间中优化核而不是网络参数空间,从而提供了合理的核初始化,遍历学习到的核流形并提高优化稳定性。
Mar, 2021
通过采用扩散模型来改善图像结构以及利用生成对抗训练来增强图像细节,我们提出了一种名为内容一致超分辨率(CCSR)的方法,大大减少了基于扩散先验的超分辨率的随机性,提高了超分辨率输出的内容一致性并加速了图像生成过程。
Dec, 2023
本研究提出了一种任意尺度的超分辨率方法,用于提高科学数据的分辨率;基于算子学习,使用分层神经算子和自注意机制,利用 Sinc 滤波器实现不同层级之间的信息传递,并引入可学习的先验结构动态调整像素贡献权重,从而有效平衡模型中的梯度;在多个领域的不同数据集上进行了大量实验证明相对于最先进的方法,本方法有着持续的改进。
May, 2024