May, 2024

基于全局 - 局部信息协同的单图像超分辨率

PDF
TL;DR提出了一种新颖的超分辨率重建算法，通过独特的设计大幅提升了准确性，同时保持了低复杂度，该算法核心在于巧妙设计的全局 - 局部信息提取模块和基本块模块，通过结合全局和局部信息，实现了对图像内容更全面的理解，准确地恢复了图像的全局结构和局部细节，为后续的重建过程提供了丰富的信息支持。实验结果表明，提出的算法在超分辨率重建领域提供了最佳的综合性能，提供了一种高效实用的新解决方案。
image super-resolutioncnn-based algorithmstransformer-based algorithmssuper-resolution reconstruction algorithmglobal-local information extraction module
发现论文，激发创造
  • 基于增强的 Swin Transformer 及本地 - 全局特征的交替聚合的图像超分辨重建网络

    本论文通过交替聚合局部全局特征，引入了位移卷积实现局部空间信息和通道信息的交互，并提出了块稀疏全局感知模块以进一步实现空间和通道信息的交互。同时，引入了多尺度自注意模块和低参数残差通道注意模块，实现了不同尺度上的信息聚合。在五个公开数据集上验证了提出的网络，在超分辨率方面超过了其他最先进的网络。

    Dec, 2023

  • 单图像超分辨率保留全局结构和降噪的新技术

    本研究提出两种新的神经网络架构，分别解决了单图像超分辨率中上采样时的噪声放大和大尺度结构的保留问题，并在 2018 年 NTIRE 超分辨率挑战赛的多项比赛中获得较高名次。

    May, 2018

  • 信息蒸馏网络：快速、精准的单图像超分辨率

    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

  • SRTransGAN：基于 Transformer 的生成对抗网络的图像超分辨率

    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

  • 基于上下文化多任务学习的结构保持图像超分辨率

    本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

    Jul, 2017

  • 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

  • 全局 - 局部分步生成网络用于超高分辨率图像恢复

    该论文介绍了使用全局 - 局部渐进式生成网络（GLSGN）来恢复超高分辨率图像，该模型利用四个恢复路径（三个局部路径和一个全局路径）进行恢复，其中局部路径聚焦于在局部但高分辨率的图像路径上进行细粒度的图像恢复，而全局路径则在缩小但完整的图像上大范围地进行图像恢复，以提供包括语义和噪声模式在内的全局视图的线索。同时该论文还介绍了第一个用于超高分辨率去反射和去雨纹的数据集，并展示了 GLSGN 在三个典型的背景恢复任务中的卓越性能。

    Jul, 2022

  • 联合图像去模糊和超分辨率的门控融合网络

    本文提出了一种基于卷积神经网络的深度门控融合模型来实现含运动模糊的图像超分辨率重建，并通过将特征提取步骤拆分成两个独立任务的设计来增强模型的训练效果并提升图像分辨率预测结果。实验结果表明，该模型能够高效生成清晰的超分辨图像。

    Jul, 2018

  • 学习混合深度网络以进行单幅图像超分辨率

    该研究提出了一种学习统一框架下的一组 SR 预测模块的方法，这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率，相比其他方法在广泛范围内实现了最先进的恢复效果。

    Jan, 2017

  • 带有循环结构细节网络的视频超分辨率

    提出了一种基于循环的视频超分辨率方法，该方法有效地利用了前一帧的信息来超分辨率当前帧，包括两个流结构 - 细节块和隐状态适应模块，并在基准数据集上优于最先进的方法。

    Aug, 2020