- FacEnhance: 使用循环 DDPMs 改善面部表情
FacEnhance 是一种基于扩散理论的创新方法,用于改善现有低分辨率面部表情生成模型的局限性,并将低分辨率面部表情视频提升到更高的分辨率,并改善其质量,同时保留内容和身份一致性。
- NTIRE 2024 图像超分辨率(×4)挑战:方法和结果
本文回顾了 NTIRE 2024 挑战赛关于图像超分辨率($ imes$4)的研究,突出了提出的解决方案和获得的结果;该挑战要求利用先前的信息从低分辨率图像生成相应的 4 倍放大的高分辨率图像;其目标是推动最先进的超分辨率性能设计 / 解决 - LoLiSRFlow: 跨尺度变换器条件流的联合单图像低光增强与超分辨率
通过提出一种新的网络模型,名为 LoLiSRFLow,该模型可以同时处理低光照、低分辨率以及增强和超分辨率的问题,并通过引入条件概率分布和可逆网络等技术来实现有效的图像恢复。
- 法医面部识别评估
最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而,我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用,因为在这种情景下,图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集,并创建了一个控 - SRMAE:用于尺度不变深度表示的遮蔽图像建模
基于图像尺度的自监督信号,使用超分辨率方法设计的预测头部能够重建输入图像,提高图像识别任务的准确率并捕捉尺度不变表达。
- RBSR: 高效灵活的爆发超分辨率循环网络
本文提出了一种逐帧融合的、高效灵活的循环网络,以底帧为关键提示,并引入隐式加权损失,用于促进从具有可变数量的输入帧中获取知识,以实现从序列低分辨率和噪声图像重建高分辨率图像的目标。我们在合成和真实数据集上进行了广泛实验,结果表明,我们的方法 - 探索式超分辨率
本文介绍了可探索超分辨率的任务,并提出了一个框架,包括带有神经网络后端的图形用户界面,允许编辑 SR 输出以探索丰富的 HR 对低分辨率输入的解释。该框架的核心是一个新颖的模块,可以包装任何现有的 SR 网络,并在其下采样时保证其 SR 输 - MS/HS 融合网络用于多光谱和高光谱影像融合
本文提出了一种基于模型的深度学习方法,用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像,实验结果证实该方法在视觉和定量上均优于同类方法。
- 通过选择性知识蒸馏实现野外低分辨率人脸识别
本研究提出了一种使用选择性知识蒸馏学习低分辨率人脸识别的方法,在损失性能的同时实现更高速度和更低内存消耗,通过优化图问题,选择性地从一个复杂的面部模型中提取最具信息量的面部特征来让一个简单的卷积神经网络完成相应识别任务。
- CT 超分辨率 GAN,由相同、残差和循环学习组合限制(GAN-CIRCLE)
本研究提出一种半监督深度学习方法,利用生成式对抗网络等技术实现从低分辨率 CT 图像到高分辨率 CT 图像的精确恢复,并在三个大规模 CT 数据集上进行了有效的定量和定性评价。
- 野外低分辨率人脸识别:比较和新技术
本文分析在野外捕捉到的低质量条件下的人脸识别技术,提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题,并在 SCFace 和 UCCSface 数据集上进行了评估。
- 学习混合深度网络以进行单幅图像超分辨率
该研究提出了一种学习统一框架下的一组 SR 预测模块的方法,这些模块专注于不同的图像局部模式和使用神经网络来进行图像超分辨率,相比其他方法在广泛范围内实现了最先进的恢复效果。
- CVPR反卷积层和卷积层是否相同?
本论文中,我们重点关注了关于我们所提出的网络模型的两个问题:我们提出的层和反卷积层之间的关系,以及为什么低分辨率空间中的卷积是更好的选择。通过实验我们发现对于相同的速度,将所有卷积都放在低分辨率空间中,比先在高分辨率空间中插值再进行卷积的方 - 图像超分辨率技术是否有益于其他视觉任务?
本论文研究并分析了使用图像超分辨率 (ISR) 技术在其它视觉应用中的可用性。作者对四种流行的视觉任务 - 边缘检测、语义图像分割、数字识别和场景识别 - 测试了六种 ISR 方法的表现,结果表明当其它视觉系统输入低分辨率的图像时,使用 I