「CV」 超分辨率资源汇总

「CV」 超分辨率资源汇总

 

• 资源

• 2019年 05月23日
• 432 阅读

2019 年 超分辨率顶会论文数量真的是爆炸了； 好奇怪，这个方向综述论文出奇的多，别的方向都是总共不过 1-2 篇；

1 综述

1. Super-resolution image reconstruction: A technical overview
   2003-05 paper

2. A Survey on Various Single Image Super Resolution Techniques
   2012-12 paper

3. Survey on Single image Super Resolution Techniques
   2013-04 paper

4. Super-resolution: a comprehensive survey
   2014 paper

5. A Survey on Various Techniques of Super Resolution Imaging
   2014-03 paper

6. A Survey on Super-Resolution Methods for Image Reconstruction
   2014-03 paper

7. A Survey of Single Image and Multi Image Super Resolution Techniques
   2014-11 paper

8. A Short Survey of Image Super Resolution Algorithms
   2015 paper

9. A Survey on Single Image Super Resolution Techniques
   2016 paper

10. A survey of Super resolution Techniques
    2016-12 paper

11. Deep Learning for Single Image Super-Resolution: A Brief Review
    2018-08-09 paper

12. Deep Learning for Image Super-resolution: A Survey
    2019-02-16 paper | blog
    $\bullet \bullet$

13. A Deep Journey into Super-resolution: A survey
    2019-04-16 paper

2 理论

3 基础研究

1. To learn image super-resolution, use a GAN to learn how to do image degradation first
   ECCV 2018 2018-07-30 paper
   人工生成的低分辨率图像，和真实自然存在的图像并不相同；本文就对生成真实低分辩率图像做了相关研究；

4 注意力

1. Hybrid Residual Attention Network for Single Image Super Resolution
   2019-07-11 paper

2. Image Super-Resolution Using Very Deep Residual Channel Attention Networks
   ECCV 2018 2018-07-08 paper | pytorch
   深度残差注意力；

3. Second-Order Attention Network for Single Image Super-Resolution
   CVPR 2019 2019 清华、鹏城实验室、香港理工大学、阿里达摩院 paper | PyTorch
   SAN 二阶注意力网络用于图像超分辨率

5 多尺度

1. Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
   CVPR 2017 2017-04-12 paper

2. Single Image Super-Resolution via Cascaded Multi-Scale Cross Network
   2018-02-24 paper

3. Multi-scale Residual Network for Image Super-Resolution
   ECCV 2018 2018 paper | pytorch
   多尺度残差网络；讲述了经典超分辨率网络，都难以复现，扩展性有限；于是提出了新的结构；

4. Multi-scale deep neural networks for real image super-resolution
   2019-04-24 paper | tensorflow-offical

6 级联

1. Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network
   ECCV 2018 2018-03-23 paper | pytorch
   级联残差下的快速、准确、轻量级的超分辨率网络；

7 GAN

1. Image super-resolution through deep learning
   2014-12-31 paper | tensorflow

2. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
   CVPR 2016 oral 2016-09-15 paper | torch

3. EnhanceGAN

4. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
   ECCV 2018 2018-09-01 paper | pytorch-offical
   ESRGAN

8 其他

1. Accelerating the Super-Resolution Convolutional Neural Network
   ECCV 2016 2016-08-01 paper

2. Pixel Recursive Super Resolution
   2017-02-02 google paper

3. Image Super-Resolution via Deep Recursive Residual Network
   CVPR 2017 2017 paper
   DRRN

4. Deep Residual Network with Enhanced Upscaling Module for Super-Resolution
   CVPR 2018 2018 paper

5. Deep Back-Projection Networks for Super-Resolution
   CVPR 2018 2018-03-07 paper | project | pytorch-offical

6. SRFeat: Single Image Super-Resolution with Feature Discrimination
   ECCV 2018 2018 paper | project | tensorflow-offical
   SRFeat 具有特征识别的单个图像超分辨率；作者认为均方误差不足以表示特征图的真实特点；所以，在特征图中加入了对抗性损失；

7. Analyzing Perception-Distortion Tradeoff Using Enhanced Perceptual Super-Resolution Network
   ECCV 2018 2018-11-01 paper | pytorch
   EPSR 在失真和质量上做权衡；

8. Residual Networks for Light Field Image Super-Resolution
   CVPR 2019 2019 北京交通大学、北京航空航天大学 paper | pytorch
   残差网络用于光场图像超分辨率；

9. Natural and Realistic Single Image Super-Resolution With Explicit Natural Manifold Discrimination
   CVPR 2019 2019 首尔国立大学 paper | tensorflow
   NatSR 自然、逼真的单图像超分辨率；

10. ODE-Inspired Network Design for Single Image Super-Resolution
    CVPR 2019 2019 中科院、中科院大学、阿里巴巴 paper | pytorch
    OISR 单幅图像超分辨，常微分方程启发的网络设计

11. Image Super-Resolution by Neural Texture Transfer
    CVPR 2019 2019-03-03 Adobe、田纳西大学 paper | project | tensorflow-offical
    SRNTT 神经纹理迁移的图像超分辨率；

12. Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
    CVPR 2019 2019-03-03 中国科技大学、中科院、旷视、清华 paper | pytorch-offical
    Meta-SR 任意缩放因子的超分辨率方法；

13. Feedback Network for Image Super-Resolution
    CVPR 2019 2019-03-23 四川大学、加州大学圣巴巴拉分校、大不列颠哥伦比亚大学、韩国仁川国立大学 paper | pytorch-offical
    SRFBN 反馈网络用于图像超分辨；

14. Deep Plug-And-Play Super-Resolution for Arbitrary Blur Kernels
    CVPR 2019 2019-03-29 哈尔滨工业大学、香港理工大学、鹏城实验室、阿里达摩院 paper | pytorch
    DPSR 能够应对任意模糊核的即插即用深度超分辨率；

15. Blind Super-Resolution With Iterative Kernel Correction
    CVPR 2019 2019-04-06 香港中文大学、哈尔滨工业大学、中科院深圳先进技术研究院-商汤联合实验室 paper
    迭代模糊核校正的盲超分辨率；

16. Camera Lens Super-Resolution
    CVPR 2019 2019-04-06 中国科技大学 paper | tensorflow-offical
    CameraSR 考虑真实成像环境分辨率和视野关系的镜头超分辨率；

17. Towards Real Scene Super-Resolution With Raw Images
    CVPR 2019 2019-05-29 商汤 paper | project | code-offical
    Raw 图像的真实场景超分辨率，模拟真实成像过程生成训练数据，基于相机Raw数据进行超分辨率；

18. Flickr1024: A Large-Scale Dataset for Stereo Image Super-Resolution
    ICCV 2019 workshop 2019-03-15 paper

9 应用

9.1 视频

9.2 3D

1. 3D Appearance Super-Resolution With Deep Learning
   CVPR 2019 2019-06-03 瑞士苏黎世联邦理工学院，微软 paper | pytorch-offical
   3DASR 3D 表面超分辨；

9.3 双目

1. Learning Parallax Attention for Stereo Image Super-Resolution
   CVPR 2019 2019-03-14 国防科技大学、盲信号处理重点实验室 paper | pytorch
   PASSRnet 双目超分辨率算法，提出并行注意力模型；

9.4 高光谱图像

1. Hyperspectral Image Super-Resolution With Optimized RGB Guidance
   CVPR 2019 2019 北京理工大学、日本国立情报学研究所、格灵深瞳 paper
   高光谱图像超分辨率；

9.5 人脸

1. Face Super-resolution Guided by Facial Component Heatmaps
   ECCV 2018 2018 paper
   CARN 针对人脸特性设计了特殊的网络，需要更少的训练样本；数据集用的 DIV2K；易复现；

---

End

附录

A 参考资料

1. Intelligent Image Enhancement and Restoration - from Prior Driven Model to Advanced Deep Learning
2. Hyperspectral-Image-Super-Resolution-Benchmark
3. 深度学习方法的超分辨率
4. 图像超分辨率重构
5. Super resolution Survey

本文遵守 Attribution-NonCommercial 4.0 International 许可协议。

上篇 「CV」 自然场景分析资源汇总

下篇 「DL」 半监督学习资源汇总

0 条评论

未登录用户

支持 Markdown 语法 使用 Github 登录

来做第一个留言的人吧！