基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

Apr, 2024

基于散度度量加强的全卷积生成对抗网络在图像超分辨率中的应用

Fortifying Fully Convolutional Generative Adversarial Networks for Image Super-Resolution Using Divergence Measures

Arkaprabha Basu, Kushal Bose, Sankha Subhra Mullick, Anish Chakrabarty, Swagatam Das

TL;DR通过引入 SuRGe，一种基于全卷积生成对抗网络（GAN）的超分辨率生成器，我们展示了通过一组可学习的凸权重优化 GAN 生成器的逐渐增加深度的不同卷积特征，从而提高生成的超分辨率样本的质量。同时，通过使用 Jensen-Shannon 和 Gromov-Wasserstein 损失计算 SR-HR 和 LR-SR 分布之间的距离，进一步帮助 SuRGe 生成器更好地利用可用信息以改进超分辨率。此外，我们使用带有梯度惩罚的 Wasserstein 损失训练 SuRGe 的判别器，主要用于防止模态崩溃。与 18 个最先进的竞争模型在 10 个基准数据集上相比，所提出的 SuRGe 以其卓越性能得到证实。

Abstract

super-resolution (SR) is a time-hallowed image processing problem that aims to improve the quality of a Low-Resolution (LR) sample up to the standard of its High-Resolution (HR) counterpart. We aim to address this by introducing →

super-resolution surge generative adversarial network convolutional features benchmark datasets

发现论文，激发创造

深度生成对抗残差卷积网络用于真实世界超分辨率

通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

使用生成对抗网络的照片级单图像超分辨率

本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

Sep, 2016

深度循环生成对抗残差卷积网络用于真实图像超分辨率

本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020

SRPGAN：单图像超分辨率视觉生成对抗网络

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

全面渐进式的单图像超分辨率方法

通过渐进式训练和学习流程，使用生成式对抗网络的方法逐步提升图像的超分辨率，该方法的重点在于其多尺度的设计，能够在高放大因子下有更好的表现。

Apr, 2018

基于深度学习的单幅图像超分辨率的全面综述

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

基于渐进感知的单幅图像超分辨率网络

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

图像超分辨率的深度学习研究

本文综述了近年来深度学习在图像超分辨率中的广泛应用，重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题，并提出了未来需要进一步研究的方向和问题。

Feb, 2019

通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影

通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。

Feb, 2024

使用 GAN 进行视频增强的超分辨率研究调查

这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

Dec, 2023