May, 2024

融入降解估计的光场空间超分辨

PDF
TL;DR最近光场超分辨率（SR）的最新进展取得了令人印象深刻的结果。然而，在实践中，许多现有方法由于假设了固定的降级模型（如双三次降采样），这限制了它们在具有复杂退化的现实场景中的鲁棒性。为了解决这个问题，我们提出了 LF-DEST，这是一种有效的盲光场超分辨率方法，它结合了明确的退化估计来处理各种降级类型。LF-DEST 包括两个主要组成部分：退化估计和光场恢复。前者从低分辨率退化的光场中同时估计模糊核和噪声图，而后者根据估计的退化生成超分辨率光场。值得注意的是，我们引入了一个调制和选择性融合模块，智能地将退化表示与图像信息结合起来，以便有效处理各种降级类型。我们在基准数据集上进行了广泛的实验证明，LF-DEST 在光场 SR 的各种降级场景中实现了卓越的性能。
light field super-resolutiondegradation estimationlf-destdegradation typesbenchmark datasets
发现论文，激发创造
  • 保留所有降级细节的盲图像超分辨率

    通过重现降级的低分辨率图像，我们提出了一种用于学习降级表示的替代方法，并且引入一个有界约束的能量距离损失函数来促进降级表示的学习。实验结果表明，我们的降级表示能够提取准确和高度鲁棒的降级信息。此外，对合成和真实图像的评估表明，我们的 ReDSR 在盲目超分辨率任务中达到了最先进的性能。

    Jul, 2024

  • LFSRDiff：基于扩散模型的光场图像超分辨率

    通过引入 LFSRDiff，首个基于扩散的光场图像超分模型，将 LF 解缠机制与扩散模型相结合，实现了在 LF 图像中更有效地提取和融合空间和角度信息，产生了多样且逼真的超分辨结果，尤其在感知度量方面表现出较高的水平。

    Nov, 2023

  • 基于知识蒸馏的盲超分辨率降级估计

    本文提出了一种基于知识蒸馏的隐式降级估计网络，结合了此网络与高效的 SR 网络，实现了在未知退化情况下的盲图像超分辨率，同时设计了一种基于动态卷积残差块的新型降级表示方法 IDR，经过广泛的实验验证表明，KDSR 网络具有最先进的性能，并可以推广到各种退化过程。

    Nov, 2022

  • 压制盲超分辨率中的不确定性

    通过抑制图像中局部的退化表示的不确定性，提出了一个基于不确定性的退化表示的自监督学习方法，用于将低分辨率图像恢复为高分辨率图像。模型由两部分组成：自适应不确定性感知的退化提取（AUDE）和由可变深度动态卷积（VDDC）块组成的特征提取网络，实验证明该方法的优越性。

    Jun, 2024

  • 盲目图像超分辨率的深度约束最小二乘法

    本文提出一种盲图像超分辨率的新方法，使用重新构建的退化模型和两个新模块，通过对内核估计和内核基于高分辨率图像恢复的改进，实现更好的准确性和视觉改进，并在多个基准测试中进行了验证。

    Feb, 2022

  • 基于深度排列几何嵌入和结构一致性正则化的光场空间超分辨率

    本文提出一种基于学习的轻场景图像空间超分辨率框架，在每个轻场景图像视角学习探索不同的信息，并通过正则化网络结构来确保场景的正确视差关系，实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB，而且以更低的计算成本保持了更准确的视差细节。

    Apr, 2020

  • DeeDSR：通过降级感知稳定扩散实现实际场景图像超分辨率

    我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表现出在各种基准测试中的最先进性能。

    Mar, 2024

  • 无监督降质表示学习用于盲超分辨率

    本文提出了一种无监督的降噪表征学习方案和一种 Degradation-Aware SR（DASR）网络，该方案可以区分表征空间中的各种降级，并通过学习提取判别性表征来获得准确的降级信息，在合成和真实图像上的实验结果表明了该方法的优越表现。

    Apr, 2021

  • 细节保留变换器用于光场图像超分辨率

    该论文提出了一种基于 Transformers 的新型 LFSR 公式，将每个垂直或水平角度视图的子孔径图像视为序列，并通过空间 - 角度本地增强的自我注意力层在每个序列内建立长程几何依赖关系，该模型还提出了一种保留细节的转换器 DPT，并利用光场的梯度图引导序列学习。在多个光场数据集上进行评估，该方法表现优异，超越其他最先进的方案。

    Jan, 2022

  • 高效测试时间自适应：二阶降质和重建的超分辨率

    我们提出了一种名为 SRTTA 的高效测试时自适应超分辨率框架，该框架能够快速将超分辨率模型适应于具有不同 / 未知退化类型的测试域。该框架通过预测经过预训练的退化分类器确定测试图像的退化类型，并设计了二阶退化方案构建基于测试图像退化类型的配对数据，然后通过从初始测试图像到其二阶退化版本的特征级重建学习来调整超分辨率模型，从而帮助模型生成合理的高分辨率图像。通过对几个实际数据集进行广泛实验，包括包含 8 种不同退化的合成 DIV2K 数据集，我们的 SRTTA 框架在速度和性能上都取得了显著的改进。源代码可在此 https URL 中获得。

    Oct, 2023