关键词single image super resolution
搜索结果 - 7
- 超锐利：使用残差稠密网络进行单幅图像超分辨率研究
该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的 - 用于超高效超分辨率的可折叠线性模块
本文提出了一种基于线性过参数化的卷积神经网络的超高清图像重建模型，其在六个基准数据集上取得了类似或更好的图像质量，需要比现有模型少 2 倍至 330 倍的操作，适用于受限制的硬件并可用于实际移动设备上进行超高清图像重建。
- CVPR具有梯度引导的结构保持超分辨率
本研究提出了一种结构保留超分辨率的方法，利用图像的梯度图来指导恢复，同时使用梯度损失和图像空间损失函数，帮助生成网络更加注重几何结构。实验结果表明，该方法在恢复结构的同时生成了自然的高清图片，并且在感知度和峰值信噪比等指标上表现出色。
- 单张磁共振图像超分辨率的通道分离网络
本研究提出了利用通道分割网络（CSN）来缓解深度学习模型的表达负担，从而提高医学磁共振图像的空间分辨率。在各种磁共振图像（包括质子密度（PD）、T1 和 T2）上进行了广泛的实验，证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先 - 基于上下文化多任务学习的结构保持图像超分辨率
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。
- 基于维纳滤波器在相似性领域的单幅图像超分辨率
本文提出了一种基于自相似性的方法，利用从输入图像中提取的大组相似图块来解决单幅图像超分辨率问题，并评估了其性能，成果表明在不使用任何外部数据的情况下，所提出的算法在各种缩放因子的测试数据集上，比当前的非 CNN 方法有了提高，并且在某些数据 - 提高基于样例的单张图像超分辨率的七种方法
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。