盲超分辨率：元学习与马尔可夫链蒙特卡洛模拟

Jun, 2024

盲超分辨率：元学习与马尔可夫链蒙特卡洛模拟

Blind Super-Resolution via Meta-learning and Markov Chain Monte Carlo Simulation

Jingyuan Xia, Zhixiong Yang, Shengxi Li, Shuanghui Zhang, Yaowen Fu...

TL;DR通过元学习和马尔可夫链蒙特卡罗 (MCMC) 的盲图像超分辨率 (SISR) 方法，从有组织的随机性中学习核先验，同时提出基于元学习的交替优化策略实现一个基于学习的即插即用的盲 SISR 解决方案，通过对合成和真实数据集进行广泛的模拟，表明了该方法具有卓越的性能和泛化能力。

Abstract

Learning-based approaches have witnessed great successes in blind single image super-resolution (SISR) tasks, however, handcrafted kernel priors and learning based kernel priors are typically required. In this pa

single image super-resolution meta-learning markov chain monte carlo kernel priors unsupervised inference

发现论文，激发创造

基于噪声和卷积核详尽退化建模的盲图像超分辨率

本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂的噪声和模糊核问题，该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验，该方法在合成数据集和真实数据集上均优于当前最先进的技术。

Jul, 2021

基于深度学习的盲图像超分辨率：迭代核重建和噪声估计

本研究提出了一种名为 IKR-Net (迭代核重构网络) 的方法，通过使用专门的深度模型进行迭代的核和噪声估计以及高分辨率图像重建，提供了一种通用解决方法，能够处理输入低分辨率图像中任意类型的模糊和噪声，并在盲目单图像超分辨率中取得了最先进的结果，特别是对于带有运动模糊的噪声图像。

Apr, 2024

盲图像超分辨率的广义期望最大化框架

本文提出了一种基于学习方法的针对盲目全像单幅图像超分辨率重建的端到端学习框架，该方法将学习技术集成到广义 EM 算法中，通过最大似然估计从低分辨率图像中推断出高分辨率图像，并在半监督学习中具有较高的性能。

May, 2023

元学习在超分辨率网络快速适应中的应用

本研究中，我们通过利用输入图像提供的额外信息，不改变传统 SR 网络的结构，通过元学习在训练阶段来快速适应测试时间内的任何输入图像，并在测试阶段仅使用给定的低分辨率图像进行有限的迭代快速微调网络参数。通过充分利用自然图像中观察到的补丁重复性质，我们的方法有效地处理未知的 SR 卷积核，并可应用于任何现有模型，从而在各种基准 SR 数据集上持续提高传统 SR 网络的性能。

Jan, 2020

KXNet：盲超分辨率的模型驱动深度神经网络

提出了一种基于模型驱动的深度神经网络方法 KXNet，给出了一个简单且有效的迭代算法，并将其展开到相应的网络模块中，从而使学习过程与 SISR 任务的固有物理机制完全和明确地融合。

Sep, 2022

图像超分辨率的深度展开网络

该论文介绍了一种新型的单图像超分辨率网络，它是一个可以通过迭代过程处理不同尺度的噪声图像的端到端可训练的深度网络，结合了学习和模型两种方法的优势。

Mar, 2020

基于维纳滤波器在相似性领域的单幅图像超分辨率

本文提出了一种基于自相似性的方法，利用从输入图像中提取的大组相似图块来解决单幅图像超分辨率问题，并评估了其性能，成果表明在不使用任何外部数据的情况下，所提出的算法在各种缩放因子的测试数据集上，比当前的非 CNN 方法有了提高，并且在某些数据集上的提高达到 1dB 以上，对于高采样率（x4）的数据，所提出的方法与最新的基于深度卷积网络的方法表现相似。

Apr, 2017

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

基于模型无关方法的隐式神经表示任意尺度图像超分辨率

单张图像超分辨率（SISR）使用深度卷积网络取得了显著的进展，但传统网络只能将图像放大到固定比例，因此利用隐式神经函数生成任意比例的图像；本文介绍了一种新颖高效的框架 —— 混合专家隐式超分辨率（MoEISR），它在显著提高计算效率的同时，能够以任意比例进行超分辨率重建，而不损失重建质量；MoEISR 利用轻量级映射器模块动态分配最适合的解码专家给每个像素，使具有不同容量的专家能够重建复杂度各异的区域像素；实验证明，MoEISR 能够在缩减高达 73% 的浮点运算（FLOPs）的同时，提供相当或更优的峰值信噪比（PSNR）。

Nov, 2023

学习单个卷积超分辨率网络以处理多种降质

我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

Dec, 2017