通过设计 RDSTN 网络,采用超分辨率技术以克服常规插值方法的限制并实现无关深度的超声图像增强,该网络通过捕捉超声图像固有的非局部特征和长程依赖性,提供了优秀的纹理并在实验中表现出比现有方法更好的性能。
Mar, 2024
本文提出使用深度学习的自校准高效变换器 (SCET) 网络,通过采用像素关注机制来提取图像特征,并使用高效变换器来获取相似的长距离特征,以恢复足够的纹理细节,该方法在不同环境下获得更为出色的性能。
Apr, 2022
通过引入自适应记号字典到 SR Transformer 并建立 ATD-SR 方法来解决单图像超分辨率问题,进一步通过基于类别划分的自注意机制提升输入特征,实验证明该方法在多个单图像超分辨率基准测试中达到最佳性能。
Jan, 2024
本文介绍了一种动态网络(DSRNet)用于图像超分辨率,它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息,还能适用于复杂场景,并具有更轻便的结构。
Oct, 2023
本文介绍提出的增强型深度超分辨网络(EDSR)和多尺度深度超分辨系统(MDSR),通过深度卷积神经网络(DCNN)和残差学习等技术,去除不必要的模块,并扩展模型大小和稳定的训练过程,实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构,表现卓越,赢得 NTIRE2017 超分辨挑战。
Jul, 2017
本论文提出了一种深度但紧凑的卷积神经网络,通过特征提取、信息提炼和重构网络三部分组成,使用带有增强单元和压缩单元的信息提炼块提取局部长短路径特征,具有快速执行的优点,实验结果表明其在超分辨率方面优于现有方法,特别是时间表现。
Mar, 2018
提出了一种基于 Transformer、金字塔流引导可变卷积网络和 Swin Transformer 块的 BurstSR 体系结构,可有效地从一系列嘈杂、不对齐和低分辨率 RAW 爆发中恢复高质量图像,并在 NTIRE2022 Burst Super-Resolution Challenge 中取得了新的最佳效果。
该研究介绍了基于递归本地窗口自注意力结构的残差连接的递归变压器 (DRT) 的使用,该模型在低级计算机视觉任务的执行过程中需要少量的计算资源,而不需要有意地针对降雨设计;实验证明,它也可用于其他图像恢复任务,且可以达到有竞争力的结果。
提出了一种基于 Transformer 的生成对抗网络(SRTransGAN)来进行图像超分辨率,通过使用编码器 - 解码器网络生成 2x 图像和 4x 图像,使用视觉 Transformer 设计判别器网络来对合成和真实高分辨率图像进行二分类,通过分析显著性地图来了解所提方法的学习能力,SRTransGAN 方法在 PSNR 和 SSIM 评分的平均值上优于现有方法 4.38%。
Dec, 2023
本文提出了一种新的架构,利用基于距离加权变换器的方法 (DWT) 来更好地理解图像组成部分之间的关系,并结合卷积神经网络 (CNNs) 和 DWT 块的优势来增强图像完成过程,通过编码全局依赖并计算基于距离加权的特征图,有效减少了视觉的歧义问题。同时,引入了残差快速傅里叶卷积 (Res-FFC) 块来结合编码器的跳跃特征与生成器提供的粗糙特征,进一步改进了对重复纹理的生成,同时还提出了一种简单有效的技术来归一化卷积的非零值,并通过细调网络层来规范梯度范数,提供了一个高效的训练稳定器。通过在三个具有挑战性的数据集上进行广泛的定量和定性实验,证明了我们提出的模型相比现有方法的优越性。