基于卷积神经网络的图像超分辨重建机制研究
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
本研究提出了一种用于单幅图像超分辨率的高精度方法,利用 VGG-net 进行训练,使用20个卷积层避免过拟合,训练方法基于小滤波器,只学习残差,并使用极高的学习率。实验表明,该方法在精度上优于现有方法。
Nov, 2015
本文提出了一种新的图像超分辨率方法,该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块,同时在潜在特征空间中进行上采样,并通过多尺度 HR 重建以获得更精确的图像恢复,进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。
Jul, 2016
本研究致力于加速Super-Resolution Convolutional Neural Network,并提出了一个紧凑的hourglass-shape CNN结构,以实现更快,更好的图像超分辨率,通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层,实现了超过40倍的速度提升和优越的恢复质量。
Aug, 2016
本文提出一种卷积神经网络,该网络的特征图在低分辨率空间中提取,使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出,从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器,同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明,它在图像和视频方面的表现都比以前的基于CNN的方法好得多,并且速度快了一个数量级。
Sep, 2016
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
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
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
比较了三个经典和三个最近引入的具有挑战性的数据集上的30多种最先进的超分辨率卷积神经网络,提出了一种基于深度学习的超分辨率网络的分类方法,并提出了现有技术的几个缺点和未来研究方向。
Apr, 2019
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