ECCVJul, 2024

基于动态算法和编译器协同设计的设备端超分辨率中的数据过拟合

PDF
TL;DR通过动态深度神经网络辅助的内容感知数据处理管道，我们提出了一种减少模型数量的方法，以提高性能并节省计算资源，并通过编译优化实现更好的 PSNR 和实时性能，在现成的手机上实现了 1.7 倍的加速，节省了高达 1.61 倍的内存消耗。
发现论文，激发创造
  • 通过时空数据过度拟合实现高质量、高效的视频超分辨率

    利用深度卷积神经网络，结合时空信息，通过数据导向联合训练技术，实现高质量高效实时的视频超分辨率提升，相比现有技术在流媒体视频分辨率提升任务中提高了 14 倍帧率同时提高 2.29dB 的画质。

    Mar, 2023

  • 动态网络图像超分辨率

    本文介绍了一种动态网络（DSRNet）用于图像超分辨率，它包含了残差增强块、宽增强块、特征细化块和构建块。DSRNet 不仅能提取更准确的图像超分辨率信息，还能适用于复杂场景，并具有更轻便的结构。

    Oct, 2023

  • 3DSRnet：使用 3D 卷积神经网络进行视频超分辨率处理

    该论文提出了一种有效的三维卷积神经网络 3DSRnet，用于视频超分辨率，通过利用空时相干性来提高预测高分辨率帧的准确性，而且在不需要预处理的情况下优于最先进的方法，提出了一种新的处理场景变化的方法。

    Dec, 2018

  • DynaVSR: 动态自适应盲视频超分辨率

    本研究提出 DynaVSR 框架，采用元学习技术，在实际视频 SR 场景下实现了较快速的降采样模型估计和自适应学习，并与视频 SR 网络无缝结合，实现了比现有的盲目 SR 方法更快的推理时间和更高的性能提升。

    Nov, 2020

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 通过内容自适应采样学习图像降采样以进行升采样

    本研究提出一种基于内容自适应重采样器 (CAR) 的图像下采样方法，通过反向传播调节模型参数，实现从低分辨率图像恢复高分辨率图像的目标；实验结果表明，该方法比传统插值方法表现更优，通过与深度超采样模型联合训练，取得了最新的超分辨率性能。

    Jul, 2019

  • 增强型深层残差网络用于单张图像超分辨率

    本文介绍提出的增强型深度超分辨网络（EDSR）和多尺度深度超分辨系统（MDSR），通过深度卷积神经网络（DCNN）和残差学习等技术，去除不必要的模块，并扩展模型大小和稳定的训练过程，实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构，表现卓越，赢得 NTIRE2017 超分辨挑战。

    Jul, 2017

  • 单张图像超分辨率 - 模型自适应很重要

    本文提出了一种新型的深度卷积神经网络，该网络使用内部先验来适应低分辨率图像的内部内容，并分析了其优点和缺点，在运行时间和使用内部先验的情况下，在标准数据集上比最佳结果提高了 0.1 至 0.3dB 的 PSNR，特别适合于具有重复结构或大分辨率下的图像。

    Mar, 2017

  • 深度字典图像超分辨率

    通过提出基于深度字典（SRDD）的端到端超分辨网络，可以具有更好的泛化性能，包括高分辨率词典的显式学习，从而在不损失深度学习优势的情况下更好地处理不在训练集中的图像。

    Jul, 2022

  • 用于视频超分辨率的可变形三维卷积

    本文提出了一种变形 3D 卷积网络（D3Dnet）来融合来自空间和时间维度的时空信息进行视频超分辨率， 采用变形卷积与 3D 卷积相结合的方法，具有更好的时空建模能力和运动感知建模灵活性， 实验结果表明 D3D 在开发时空信息方面非常有效。

    Apr, 2020