图像超分
文章平均质量分 94
AIWalker-Happy
Happy专注于底层视觉处理,对基础AI技术保持学习心态
展开
-
HINet | 性能炸裂,旷视科技提出适用于low-level问题的Half Instance Normalization
编辑:Happy首发: AIWalker大家好,我是Happy。一直以来,甚少有normalization技术在low-level得到广泛应用并取得优异性能,就算得到应用其性能也会受限或者造成异常的视觉效果。不过,现在有了!旷视科技的研究员提出了一种Half Instance Normalization技术用于图像复原并在不同的low-level领域取得了SOTA性能,先来看一下其刷新的性能(注:以下数据来自paperswithcode.com,此前最佳性能由MPRNet达成):Image .原创 2021-05-18 12:03:40 · 5056 阅读 · 0 评论 -
CVPR2024 | Dropout之后又一改善图像超分泛化性能的正则方案SimpleAlign,已开源!
深度学习为图像超分辨率(SISR)带来了性能上的巨大飞跃。大多数现有工作都假设一个简单且固定的退化模型(例如双三次下采样),但Blind SR 的研究旨在提高未知退化情况下的模型泛化能力。最近,Kong等人率先研究了一种更适合使用 Dropout 的 Blind SR 训练策略RDSR。尽管这种方法确实通过减轻过度拟合带来了实质性的泛化改进,但我们认为Dropout 同时引入了不良的副作用,损害了模型忠实重建精细细节的能力。我们在论文中展示了理论和实验分析,此外,我们。原创 2024-03-04 20:47:25 · 1025 阅读 · 0 评论 -
ChatGPT聊图像超分
续接前文,今天继续拿图像超分领域的经典方法来询问ChatGPT的看法,这里主要挑选了以下几个方案SRCNN、ESPSRN、EDSR、RCAN、ESRGAN、BSRGAN、Real-ESRGAN、SwinIR等超分辨率必读方案。原创 2024-03-03 10:03:54 · 965 阅读 · 1 评论 -
NTIRE2023-RTSR-Track2 冠军方案详解
编辑 | Happy首发 | AIWalker链接 | https://mp.weixin.qq.com/s/JQ5g9yn_OdjR8hi_tWc4jA本文了一个实时&轻量图像超分方案Bicubic++,它通过下采样模块降低图像分辨率以减少计算量,在网络尾部采用X6上采样进行图像重建,同时还构建了一个三阶段训练方案。在测试集上,(注:fp16精度,720p输入,4K输出)。此外,,所提方案与其他轻量化方案的性能对比可参考下图。值得称道的就是,,故很有机会成为新的工业标准。原创 2024-03-03 10:02:49 · 883 阅读 · 0 评论 -
CVPR2024 进一步提升超分重建质量,中科大提出用于图像超分的语义感知判别器SeD,即将开源
生成对抗网络(GAN)已被广泛用于恢复图像超分辨率(SR)任务中的生动纹理。判别器使 SR 网络能够以对抗性训练的方式学习现实世界高质量图像的分布。然而,这种分布学习过于粗粒度,容易受到虚拟纹理的影响,导致生成结果违反直觉。为了解决这个问题,我们提出了一个名为 SeD 的简单而有效的语义感知判别器,它鼓励 SR 网络通过引入图像语义作为条件来学习更细粒度的分布。具体来说,我们的目标是从训练有素的语义提取器中挖掘图像的语义。原创 2024-03-03 09:57:23 · 1094 阅读 · 0 评论 -
AsConvSR | NTIRE2023-RTSR-Track1冠军方案
编辑 | Happy首发 | AIWalker链接 | https://mp.weixin.qq.com/s/p9u6RYkd37MmN12rUCMCuQ前段时间,NTIRE2023各个竞赛落下帷幕,近期各个冠亚军方案提出者也在逐步公开方案细节。今天给大家概要介绍一下"RTSR-Track1"赛道冠军方案,方案提出者来自华为诺亚与华为海思。原创 2024-03-02 09:26:03 · 1064 阅读 · 0 评论 -
HDSRNet | 入局图像超分,异构动态卷积玩出新花样~
首发,欢迎关注~卷积神经网络可以通过深度网络架构和给定的输入样本自动学习特征。然而,所获得的模型的鲁棒性在不同的场景中可能具有挑战性。,从而增强获得的超分辨率模型的鲁棒性。在本文中,。为了获取更多的信息,。原创 2024-03-01 18:29:57 · 723 阅读 · 0 评论 -
超越SwinIR,Mamba入局图像复原,达成新SOTA
最近,选择性结构化状态空间模型(例如 Mamba)在具有线性复杂性的远程依赖关系建模方面表现出了巨大的潜力,但它在低级计算机视觉中仍处于探索之中。在这项工作中,我们引入了一个简单但强大的基准模型,名为 MambaIR,用于图像恢复。具体来说,我们提出残差状态空间块作为核心组件,它采用卷积和通道注意力来增强普通曼巴的能力。通过这种方式,我们的 MambaIR 利用局部补丁重现先验以及通道交互来生成特定于恢复的特征表示。大量实验证明了我们方法的优越性,例如,使用类似的计算成本但具有全局感受野,原创 2024-02-29 07:17:11 · 1679 阅读 · 0 评论 -
CUGAN=CResMD+GAN | 为进一步提升调制图像复原视觉质量,先进院董超团队提出集成CResMD与GAN的CUGAN
编辑:Happy首发:AIWalker本文是中科院深圳先进技术研究院董超团队在调制图像复原方面的最新力作。该团队在调试图像复原方面的工作从CVPR2019的AdaFM与DNI,到ECCV2020的CResMD,再到本文CUGAN,延续了其一贯简单且实用的风格。本文所提CUGAN当属CResMD的扩展版:引入GAN训练提升纹理细节。Abstract调制图像复原水平旨在通过改变影响复原强度的因子生成复原图像。已有工作主要聚焦于优化均方误差,它会带来比较的重建精度,但缺乏细粒度的纹理细节。本文.原创 2021-05-15 11:33:43 · 737 阅读 · 0 评论 -
思维的碰撞:小波变换偶遇深度学习
编辑:Happy首发:AIWalker本文是浙江大学于2019提出的一种基于小波的图像超分方案,算是比较“老”的一种方案了。不过考虑到它的创新:将小波变换与深度学习相结合,本文还是值得略读一番。不同于其他深度学习图像超分方案,本文采用小波变换提取图像的四组系数并作为网络的输入,预测残差图像的小波系数。这不同于常规方案的直接进行图像复原或者残差图像复原,小波系数的预测使得其具有更好的鲁棒性。Abstract现有的基于深度学习的图像超分往往采用更深、更宽的架构提升重建图像质量,这就导致了更大的.原创 2021-04-29 21:35:27 · 2145 阅读 · 2 评论 -
RealSR性能大幅提升,旷视科技+快手科技+电子科大联合提出“先发散再收敛”的D2CSR
编辑:Happy首发:AIWalker本文是旷视科技&快手科技&电子科大联合提出的一种新颖的图像超分框架。本文从图像超分“病态”特性出发,提出一种两阶段的超分框架。在divergence阶段,本文构建了一种新颖的树状深度网络用于输出具有发散性质的预测结果,为达到该效果,引入triplet损失;在convergence阶段,我们采用数据自适应加权方式对divergence分支的结果进行融合得到最终的输出。此外,本文还提出了一个新的用于x8超分任务的Real-world数据集D2CR.原创 2021-04-24 17:45:59 · 395 阅读 · 0 评论 -
Attention in Attention for Image Super-Resolution
编辑:Happy首发:AIWalkerpaper: https://arxiv.org/abs/2104.09497code: https://github.com/haoyuc/A2N(尚未开源)本文是亚马逊&悉尼大学大研究员在注意力机制在图像超分中应用探索。本文从“为什么注意力会起作用,它又是如何起作用”两个问题出发,从理论&实验角度给出了解释,然后针对“图像超分中并非所有注意力都有正向作用”问题提出了注意力丢弃模块并用于构架图像超分。最后,作者通过实验证实:所提方案可以.原创 2021-04-24 17:45:18 · 2081 阅读 · 0 评论 -
大幅降低计算&性能有提升,华为诺亚从频率角度出发提出频率感知动态超分网络FADN
编辑:Happy首发:AIWalker本文是华为诺亚、清华大学以及悉尼大学提出的一种用于高效图像超分的频率感知动态网络。本文从图像的不同频率成分复原难度、所需计算量等角度出发,提出了一种动态调节不同频率特征计算分支的模块并由此引出了本文所提方案FADN。所提方法可以大幅降低模型性能,且保持超分性能不变,甚至有些微提升。比如,所提方法可以减少50%EDSR计算量,同时还有0.02~0.05dB的性能提升。Abstract深度学习技术已成为图像超分的主流方案,为得到更好的视觉感知质量与重建效果.原创 2021-04-24 17:44:29 · 437 阅读 · 0 评论