CVPRMar, 2024

基于深度生成模型的图像下采样评估的速率失真

PDF
TL;DR通过率失真（IDA-RD）来评估图像下采样算法的图像下采样评估（IDA-RD）是一种新的量化评估图像下采样算法的方法。
image downscaling assessment by rate-distortionimage downscaling algorithmsrate-distortion theorydownscaling and super-resolutionida-rd measure
发现论文，激发创造
  • 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

  • 基于 GAN 的图像压缩及改进的 RDO 处理

    本文提出了一种改进型的 GAN 图像压缩方法，通过使用 DISTS 和 MS-SSIM 指标对颜色、纹理和结构的感知退化度量以及吸收离散化的高斯 - 拉普拉斯 - 逻辑混合模型（GLLMM）来改善熵模型的准确性，并采用 MOS 实验直接评估重构图像的感知质量，实验结果表明该方法优于现有的 GAN 方法和 VVC 等最先进的混合编解码器。

    Jun, 2023

  • 一种用于有损图像压缩的速率失真分类方法

    在有损图像压缩中，我们提出了一种 Rate-Distortion-Classification (RDC) 模型，用于优化速率、失真和分类准确性之间的权衡，从而将图像压缩与视觉分析相结合，为实际应用中的端到端图像压缩技术铺平了道路。

    May, 2024

  • 基于知识蒸馏的盲超分辨率降级估计

    本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的 SR 网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR，经过广泛的实验验证表明，KDSR 网络具有最先进的性能，并可以推广到各种退化过程。

    Nov, 2022

  • 通过内容自适应采样学习图像降采样以进行升采样

    本研究提出一种基于内容自适应重采样器 (CAR) 的图像下采样方法，通过反向传播调节模型参数，实现从低分辨率图像恢复高分辨率图像的目标；实验结果表明，该方法比传统插值方法表现更优，通过与深度超采样模型联合训练，取得了最新的超分辨率性能。

    Jul, 2019

  • 视频转码的参数率失真模型

    通过我们提出的参数化失真率（R-D）转码模型，我们可以在不需要对视频进行编码的情况下准确预测不同速率的转码失真，并通过转尺寸实现视觉质量的改进。此外，我们还利用该模型确定了摄入视频的近似无损和接近零斜率的比特率范围，从而在引入几乎不可见的质量损失的同时调整转码目标比特率。实验结果证明了我们的模型在视频转码率失真预测方面的有效性。

    Apr, 2024

  • 保留所有降级细节的盲图像超分辨率

    通过重现降级的低分辨率图像，我们提出了一种用于学习降级表示的替代方法，并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明，我们的降级表示能够提取准确和高度鲁棒的降级信息。此外，对合成和真实图像的评估表明，我们的 ReDSR 在盲目超分辨率任务中达到了最先进的性能。

    Jul, 2024

  • 隐式扩散模型用于连续超分辨率

    本文提出了一种隐式扩散模型 (IDM)，采用神经表示和去噪扩散模型，实现了高保真持续图像超分辨率，其缩放因子在最终输出中调节低分辨率信息和生成的特征的占比，它使模型适应连续分辨率需求，实验验证了 IDM 的有效性和优越表现。

    Mar, 2023

  • 使用潜在扩散模型和隐式神经解码器进行任意尺度图像生成和上采样

    提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像，该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程，与 MLP 在任意比例上的解码器空间相一致，并通过固定解码器反向传播输出图像的错误，提高了输出图像的质量。在广泛的实验中，该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法，在推理速度和内存使用方面显著优于相关的最新技术。

    Mar, 2024

  • 推动神经图像压缩的速率失真计算前沿

    通过我们的速率 - 失真计算（RDC）研究，我们展示了虽然浮点运算（FLOPs）和运行时间对于准确地比较神经压缩方法都是不足够的，但我们还是找到了一种新型神经压缩架构，其在计算要求和 RD 性能之间具有最佳的实证权衡。

    Sep, 2023