FreqINR:带有自适应DCT频率损失的隐式神经表示的频率一致性
通过使用频率分解和区域自适应频率聚合,我们设计了一种全频率区域自适应网络(ORNet),用于实现真实图像的超分辨率重建,该网络的训练基于特征表示,能够补偿真实低分辨率图像中的信息丢失,并具有场景不可知性。
Dec, 2020
该论文提出了一种基于隐式图像函数的新网络设计——UltraSR,它深度融合了空间坐标和周期编码,并通过实验证明了空间编码对于高性能隐式图像函数的重要性,并在DIV2K基准测试中取得了新的最先进表现。
Mar, 2021
本文通过引入 Local Texture Estimator (LTE) 的方法,使 implicit function 可以在连续的过程中捕捉细节,在 2D Fourier 空间表征图像纹理,达到了显著的图像超分辨率重建性能,并且在运行时间上比以往的方法更高效。
Nov, 2021
本文通过将频率信息聚合在像素区域中来扩展传统的位置编码,提出了集成位置编码(IPE),并将其应用于最先进的任意尺度图像超分辨率方法之一:局部隐式图像函数(LIIF),提出了IPE-LIIF。我们通过定量和定性评估展示了IPE-LIIF的有效性,进一步证明了IPE对更大的图像尺度和多个隐式方法的泛化能力。
Dec, 2021
本文介绍了一种 Local Implicit Transformer (LIT) 方法,它将注意机制和频率编码技术与本地隐式图像函数相结合,设计了一个跨尺度的局部注意块来有效聚合局部特征,进一步提高了代表性能力,并提出了一种级联的 LIT (CLIT) 方法,利用多尺度特征和渐进式训练策略,在任意超分辨率任务中实现了较好的结果,并胜过了以前的方法。
Mar, 2023
DIIF是一种动态隐式图像函数,其使用坐标分组和切片策略从坐标切片到像素值切片进行解码,以显着降低计算成本,并且可以与超分辨率方法集成以实现令人满意的性能。
Jun, 2023
提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像,该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程,与 MLP 在任意比例上的解码器空间相一致,并通过固定解码器反向传播输出图像的错误,提高了输出图像的质量。在广泛的实验中,该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法,在推理速度和内存使用方面显著优于相关的最新技术。
Mar, 2024
利用基于网格的表示和频域表示的频谱MipAA方法,通过利用尺度特定的低通滤波器(LPF)和可学习的频谱遮罩,在保留重要细节的同时有效消除锯齿因素,以解决Neural Radiance Fields在生成3D场景和渲染不同相机距离下的图像时的走样问题。
Jun, 2024
本研究解决了当前任意尺度超分辨率(SR)方法在重建高频纹理细节时未能充分利用高频信息的问题。我们提出的局部隐式小波变换器(LIWT)采用离散小波变换(DWT)将特征分解为不同频率的信息,并通过小波增强残差模块(WERM)等技术充分利用这些高频先验信息,从而在SR任务中显著提升了高频细节的恢复效果。实验结果表明,LIWT在多项基准数据集上均表现出了优越的性能。
Nov, 2024
本研究针对传统单步超分辨率方法在计算复杂性方面的不足,通过保留高频细节特征来提升超分辨率图像的质量。我们引入了一种高频感知损失,并结合Jenson-Shannon散度,以更好地匹配超分辨率图像与真实图像的分布。实验表明,该方法在多个基准数据集上取得了最先进的表现,并优于现有的感知损失方法。
Nov, 2024