Apr, 2024

OmniSSR：零样本全向图像超分辨率利用稳定扩散模型

PDF
TL;DR通过使用稳定扩散模型的图像先验，将全向图像超分辨率与保真度和真实感相结合，实现了零样本学习，无需训练或微调。在两个基准数据集上的实验证明了该方法的有效性。
omnidirectional imagessuper-resolutiondiffusion modelimage restorationzero-shot learning
发现论文，激发创造
  • OSRT: 基于畸变感知变换器的全向图像超分辨率

    本文提出了一种基于 Fisheye 降采样和失真感知 Transformer 的方法，用于实现全景图像的高清增强，实验结果表明其表现优于以往的方法。

    Feb, 2023

  • 几何畸变导向的全向图像超分辨率变换器

    介绍了一种新的基于几何畸变引导变压器的全向图像超分辨率方法，通过引入畸变调制的矩形窗口自注意机制和变形自注意机制，提高了感知畸变的能力，并在不同自注意模块间采用动态特征融合方案。在公开数据集上进行了广泛的实验，表明该方法在全向图像超分辨率方面优于现有方法。

    Jun, 2024

  • 基于不确定性感知的结构知识迁移的 360 度高分辨深度估计

    本文介绍了一种使用弱监督学习方法来进行全景 3D 深度估计的高分辨率重建技术，该技术能够从低分辨率全景图像中提取场景结构知识并将其传递到高分辨率深度估计中。

    Apr, 2023

  • SRDiff：扩散概率模型单图超分辨率

    本文提出一种基于扩散概率模型的单幅图像超分辨率方法，通过优化数据可能性的变分下界进行模型训练，并通过引入残差预测以加速收敛。该方法在 CelebA 和 DIV2K 数据集上进行了实验验证，实验结果表明，该方法在性能上领先以往的方法，并具有生成丰富细节的不同超分辨率结果、小型化、灵活的图像操作等优点。

    Apr, 2021

  • OPDN: 全向位置感知变形网络用于全向图像超分辨率

    本文提出了一种两阶段的 360 度全向图像超分辨率框架，利用全向位置感知可变形块（OPDB）和傅里叶上采样，以及空间频率融合模块（SFF）来增强 360 度全向图像的特征提取和高频信息，通过像素解交错操作和数据的收集和处理，该方法在 NTIRE 2023 挑战中的成绩卓越。

    Apr, 2023

  • 一步有效扩散网络的现实世界图像超分辨率

    我们提出了一种一步有效扩散网络（即 OSEDiff），用于实际图像超分辨率（Real-ISR）问题，通过利用给定的低质量（LQ）图像作为起始点进行扩散，消除了随机噪声采样引入的不确定性，以实现高质量（HQ）图像的生成。

    Jun, 2024

  • OmniZoomer: 学会在高分辨率下移动和缩放球体

    本文介绍了一种新的基于深度学习的方法，称为 OmniZoomer，它将 Möbius 变换纳入网络中，实现对全景图像的移动和缩放，并通过学习不同条件下的变换特征图来处理模糊效应和失真问题。

    Aug, 2023

  • 全向超分辨率投影的全面比较

    本文就全向超分辨率问题进行研究，发现在深度神经网络中，不同投影方法对性能有极大影响。通过对项目进行全面比较，发现最小失真度的等角立方体映射投影方法在 WS-PSNR 方面表现最佳。

    Apr, 2023

  • CasSR: 激活图像力量的真实世界图像超分辨率

    通过级联扩散控制模型和多重注意机制，本研究提出了一种图像超分辨率方法，其目标是从降质版本中生成高质量、清晰的图像。研究结果表明该方法在提高图像还原的准确性和真实性方面非常有效和优越。

    Mar, 2024

  • 轻量级图像超分辨率的全局聚合网络

    提出了一种名为 Omni-SR 的新型架构，通过增强的 Omni Self-Attention 块和多尺度交互机制来改善轻量级 ViT 框架中 one-dimensional self-attention 建模的局限和同构聚合方案，并在图像超分辨率任务中获得最高记录性能。

    Apr, 2023