May, 2024

基于参考图像的图像超分辨率的细节增强框架

PDF
TL;DR通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。
reference-based image super-resolutionref-srdetail-enhancing frameworkalignmenttexture transfer
发现论文，激发创造
  • 神经纹理迁移图像超分辨率

    本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

    Mar, 2019

  • 重新思考超分辨率，作为基于文本的细节生成技术

    本文提出了一种基于语义图像细节增强的图像超分辨率方法，其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节，实验证明该方法具有显著的效果。

    Jul, 2022

  • 一种纹理自适应聚合的基于参考图像的超分辨率特征重用框架

    本文提出了一种特征重用框架，用于引导逐步纹理重建过程，减少感知损失和对抗性损失的负面影响，并通过单图特征嵌入模块和纹理自适应聚合模块来进行准确的对应匹配和纹理信息传输，从而增强了参考纹理的利用并减少了误用。

    Jun, 2023

  • RZSR: 基于参考和深度引导的零样本超分辨率与自我示范

    该研究提出了一种被称为参考零样例超分辨 (RZSR) 的方法，该方法结合了参考超分辨 (RefSR) 和零样例超分辨 (ZSSR) 两种策略，利用内部参考数据集和非局部注意力模块，从图像自身提取纹理丰富、高频细节的参考图像块，训练出一种图像特定的超分辨网络，在超分辨任务中具有出色表现。

    Aug, 2022

  • 学习纹理转换网络用于图像超分辨率

    本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用 DNN 可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合 LR 和 Ref 图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR 在定量和定性评估上都取得了显著改进。

    Jun, 2020

  • 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

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • 实际场景下的单幅图像超分辨率：简要综述

    通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较，本文全面评估了基于深度学习的单个图像超分辨率（SISR）方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现，并讨论了 RSISR 的挑战和未来研究方向。

    Mar, 2021

  • 跨越空间和时间分辨率的桥梁建设：基于变化先验和条件扩散模型的参考图像超分辨率

    利用土地覆盖变化的先验信息来指导去噪过程的变化感知扩散模型用于参考图像超分辨率重建，通过将先验信息注入去噪模型，提高未改变区域参考信息的利用和已改变区域语义相关内容的重建，以此来改善模型性能。

    Mar, 2024

  • 跨领域对齐：一种用于遥感图像基于参考的超分辨率的简单领域匹配方法

    利用领域匹配（DM）模块改进了参考图像超分辨率（RefSR）模型，在遥感图像超分辨率任务中取得了定性和定量上的性能提升。

    Jan, 2024