Nov, 2024

局部隐式小波变换器用于任意尺度超分辨率

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 学习纹理转换网络用于图像超分辨率

    本文提出了一种基于注意机制的纹理转换神经网络（TTSR），采用DNN可学习的纹理提取器、相关嵌入模块、用于纹理传输的硬注意力模块，并且结合LR和Ref图像进行联合特征学习，从而实现图像的纹理恢复。经过广泛实验，TTSR在定量和定性评估上都取得了显著改进。

    Jun, 2020

  • UltraSR：空间编码是隐式图像函数任意比例超分辨率的缺失关键

    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

  • 隐式表示函数的局部纹理估计器

    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

  • 综合位置编码增强图像超分辨率中的多尺度隐式学习

    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

  • 自适应局部隐式图像函数用于任意比例超分辨率

    本研究提出了一种新的自适应局部图像函数（A-LIIF）模型，旨在通过采用编码器和扩展网络，建模多个局部隐式图像函数的加权组合，从而缓解局部隐式图像函数（LIIF）模型在边缘周围出现结构失真和环状伪影等问题，实现图像超分辨率的高精度重建。

    Aug, 2022

  • 任意尺度图像超分辨率的本地隐式归一化流

    本文提出了一种名为LINF的算法，使用局部隐式正则化流对超分辨率进行任意尺度的处理，可以生成具有丰富纹理细节的照片般逼真的高分辨率图像，并在大量实验中证明了LINF与先前的任意尺度超分辨率方法相比具有最先进的感知质量。

    Mar, 2023

  • 任意尺度超分辨率的级联局部隐式变换器

    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

  • 通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影

    通过使用小波域损失函数训练基于GAN的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而RGB领域或傅立叶空间损失函数则没有这种效果。

    Feb, 2024

  • 通过小波损失训练变压器模型提高单幅图像超分辨率的定量和视觉效果

    这篇论文通过引入卷积非局部稀疏注意力块（NLSA）来扩展混合变压器架构，以进一步增强其感受野，并使用小波损失来训练变压器模型以改善定量和主观性能。实验结果表明，提出的模型在各种基准数据集上提供了最先进的峰值信噪比结果以及更好的视觉表现。

    Apr, 2024

  • FreqINR：带有自适应DCT频率损失的隐式神经表示的频率一致性

    本研究解决了高分辨率图像与真实图像之间频率差异导致的伪影和模糊问题。提出的新方法FreqINR通过自适应离散余弦变换频率损失确保在训练和推理中的频谱一致性，从而提升了图像细节的表现力。实验表明，FreqINR在现有方法中实现了最先进的性能，并显著提高了计算效率。

    Aug, 2024