本文提出了七种有效技术,包括数据增强、大型字典、图像自相似性和上下文推理,用于提高基于示例的单幅图像超分辨率效果,并在标准超分辨率基准测试中实现显著性改进,同时保持较低的时间复杂度。
Nov, 2015
本文通过对大量超分辨率图像进行人类主观研究,提出了一种基于视觉感知评分学习的无参考指标,使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化,并学习了一个两阶段回归模型,无需参考基准图像即可预测超分辨率图像的质量得分,实验证明这种指标可以有效、高效地评估超分辨率图像的质量。
Dec, 2016
本文综述了近年来深度学习在图像超分辨率中的广泛应用,重点介绍了监督式、非监督式、以及领域特定的图像超分辨率技术。同时讨论了公开可用的基准数据集和性能评估指标等重要问题,并提出了未来需要进一步研究的方向和问题。
Feb, 2019
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
本研究通过实验研究发现,训练数据对超分辨率重建性能有很大影响,特别是对于卫星图像,而一般情况下使用巴比克降采样获取的低分辨率数据不是最有效的方法,因此,改进训练数据预处理流程可能对于使超分辨率重建适用于实际应用至关重要。
Jun, 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
本文提出了一种新的基于Classification和SR模块的解决方案管道(ClassSR),可以在处理大型图像时加速超分辨率(SR)网络,通过分类不同的子图像并选择不同的SR网络对其进行处理,实现了分类和超分辨率的统一框架,并且通过两个损失方法,Class-Loss 和 Average-Loss,使得大多数子图像可以通过更小的网络,从而大大减少了计算成本,该方法在低级别视觉任务中也有应用前景。
Mar, 2021
该论文重新审视优化RCAN模型的不同训练选项对图像超分辨率的影响,指出RCAN能够在标准基准上通过适当的训练策略和最小的体系结构修改优化,胜过或匹配几乎所有基于CNN的超分辨率架构。此外,该训练发现通过提高训练迭代次数明显提高了模型性能,而应用正则化技术通常会降低预测精度,同时推荐使用简化后的RCAN模型作为未来研究的基准模型。
Jan, 2022
该论文研究了图像超分辨率中的质量评估问题,提出了针对内容依赖的锐度和纹理评估的不确定性加权方案,并将确定性保真度和统计保真度融合,提出了超分辨率图像保真度指数(SRIF),在测试主观评级数据集时表现优于现有IQA模型。
Jul, 2022
通过基于损失值的度量对训练数据进行精心选择,可以改进图像超分辨率模型,挑战更多数据必然导致更好性能的传统观念。
Mar, 2024