图像超分Super-Resolution论文汇总

已于 2024-07-08 17:21:11 修改
阅读量297 收藏
点赞数 4
文章标签： python 深度学习 图像处理
于 2024-07-08 17:18:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_53935448/article/details/140274026
版权

中文综述2022：基于深度学习的单帧图像超分辨率重建综述

论文及代码：

CVPR2024

论文题目：Swift Parameter-free Attention Network for Efficient Super-Resolution

代码：https: //github.com/hongyuanyu/span

亮点：模型轻量化

CVPR2021

论文题目：Designing a Practical Degradation Model for Deep Blind Image Super-Resolution

代码：https://github.com/cszn/BSRGAN

亮点：提出基于HR图像人工合成LR图像的大规模退化模型

RUI10M
关注
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
畅游计算机视觉的海洋
03-11 1万+
我们提出了一种用于单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射被表示为深度卷积神经网络(CNN)，它以低分辨率图像为输入，输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的 SR 方法也可以被视为深度卷积网络。但是与单独处理每个组件的传统方法不同，我们的方法联合优化所有层。我们的深度 CNN 具有轻量级结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速速度。我们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。此外，我们扩展了我们的
【图像超分】论文精读：APISR: Anime Production Inspired Real-World Anime Super-Resolution
畅游计算机视觉的海洋
03-27 6908
虽然现实世界的动漫超分辨率(SR)在SR社区中受到越来越多的关注，但现有的方法仍然采用照片级真实感领域的技术。在本文中，我们分析了动漫制作工作流程，并重新思考如何为了现实世界的动漫 SR 使用它的特征。首先，我们认为由于重复使用手绘帧，视频网络和数据集对于动漫 SR 不是必需的。相反，我们通过从视频源中选择最压缩和信息量最大的帧，提出了一种动漫图像收集管道。基于这个管道，我们介绍了 Anime Production-oriented Image (API) 数据集。此外，我们确定了扭曲和微弱的手绘线和不需要
Depth super resolution 论文及代码汇总，持续更新中~~
不忘初心~
03-14 1315
depth super resolution
超分论文综述（ DualCNN，Deep SR-ITM ，DSGAN）
一一
12-11 2584
论文来源： [1] Pan, J., Liu, S., Sun, D., Zhang, J., Liu, Y., Ren, J., ... & Yang, M. H. (2018). Learning dual convolutional neural networks for low-level vision. InProceedings of the IEEE conferenc...
超分论文阅读（Image Super-Resolution Using Very Deep Residual Channel Attention Networks）
争取每天记录一点点~
10-10 433
Image Super-Resolution Using Very Deep Residual Channel Attention Networks
超分论文EDVR解读
WX_Chen的博客
10-04 3147
《Video Restoration with Enhanced Deformable Convolutional Networks》 视频相邻帧存在一定的抖动，必须先对齐才能进一步处理融合。以往这可以使用光流算法处理，但本文中作者发明了一种新的网络模块PCD 对齐模块，使用Deformable卷积进行视频的对齐，整个过程可以端到端训练。 其中PCD 对齐模块，使用金字塔结构级联的Deform...
DRCN超分论文，ppt和代码
12-22
2016论文，全部实现过程。利用RNN做图像块特征的映射。网络分为三个部分，第一部分提取图像特征，第二部分做图像块之间的映射，第三部分做图像的重建。
【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
畅游计算机视觉的海洋
03-26 7879
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
【图像超分】论文精读：Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars
最新发布
畅游计算机视觉的海洋
04-20 1563
基于深度卷积的单幅图像超分辨率(SISR)网络包含了从大规模外部图像资源中学习局部恢复的好处，但现有的研究大多忽略了自然图像中的远程特征相似性。最近的一些工作通过探索非局部注意模块成功地利用了这种内在特征相关性。然而，目前的深度模型都没有研究图像的另一个固有属性：跨尺度特征相关性。在本文中，我们提出了第一个跨尺度非局部 (CS-NL) 注意力模块，并集成到循环神经网络中。通过将新的 CS-NL 先验与强大的循环融合单元中的局部和尺度内非局部先验相结合，我们可以在单个低分辨率 (LR) 图像中找到更多的跨尺度
【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)
畅游计算机视觉的海洋
03-14 9858
我们提出了一种高精度的单图像超分辨率(SR)方法。我们的方法使用了一个非常深的卷积网络，灵感来自用于 ImageNet 分类的 VGG-net [19]。我们发现增加我们的网络深度可以显着提高准确性。我们的最终模型使用 20 个权重层。通过在深度网络结构中多次级联小过滤器，以有效的方式利用大图像区域的上下文信息。然而，随着非常深的网络，收敛速度成为训练期间的关键问题。我们提出了一个简单而有效的训练过程。我们只学习残差，并使用可调梯度裁剪实现的极高学习率（比 SRCNN [6] 高 104 倍）。我们提出的方
图像超分入门必备：2020CVPR图像超分论文集合
01-02
包括论文原文以及论文解读
图像超分入门必备：2019CVPR图像超分论文集合免费资源
01-02
包括2019CVPR图像超分论文集合以及论文解读&代码链接 个人整理，点个赞呗~
理解超分重建--总结调研 | 超分论文-专栏特享 | 【❤️订阅专栏之后必看博文❤️】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
04-20 989
上述精简内容 – 主要参考文章 – 原文排版很好看–建议去看一下 超分重建简介 一篇2020年的超分综述 Deep Learning for Image Super-resolution: A Survey 2020年 - - 20 + 超分论文 + 视频超分论文 所做分享，有序自取，请勿随意传播，感谢尊重和理解 ...
经典超分论文总结5
longshaonihaoa的博客
12-21 2695
继续膜拜xintao wang大佬，大佬到了腾讯后更是杀疯了，之前在港中文中的两篇worshop被引爆炸，现在要中就中正刊。本文介绍最新的GFPGAN和Real-ESRGAN，都是SISR和盲超分。 4、GFPGAN：Towards Real-World Blind Face Restoration with Generative Facial Prior (CVPR 2021) 本篇论文专著于人脸的超分，效果我愿称之为最强。话不多说，先上张对比看看 4.1 摘要 盲超分通常需要脸部先验（脸部几何先验或参
图像超分中有影响力的论文及最新的超分算法资源链接
feelingjun的博客
10-11 1100
https://github.com/YapengTian/Single-Image-Super-Resolution http://yapengtian.org/Single-Image-Super-Resolution/
经典视频超分论文总结3
longshaonihaoa的博客
12-15 3014
本次写一写清华大佬Takashi Isobe的三个超分作品，大佬一年内，而且好像还是在华为实习期间连续中了三篇顶会，代码都开源在他自己的github中。 1、REVISITING TEMPORAL MODELING FOR VIDEO SUPER-RESOLUTION（RRN，BMCV2020） 本文其实很像上篇提到的FRVSR，也是采用RNN做超分，不同之处在于引入了残差结构 1.1 摘要 1）作者认为做超分因为loss不同，所以直接比结果是无效的。（这点确实，l2 loss会明显提高psnr计算结果，但
CVPR 2024 | 图像超分、图像恢复汇总！用AIGC扩散模型diffusion来解决图像low-level任务的思路...
idol24的博客
04-02 7577
1、Arbitrary-Scale Image Generation and Upsampling using Latent Diffusion Model and Implicit Neural Decoder超分辨率（SR）和图像生成是计算机视觉中重要的任务，在现实应用中得到广泛采用。然而，大多数现有方法仅在固定放大倍数下生成图像，并且容易出现过平滑和伪影。此外，在输出图像的多样性和不同尺度下...
2019CVPR超分文章网络结构
eight_Jessen的博客
09-22 651
1、Modulating Image Restoration with Continual Levels via Adaptive Feature Modification Layers 调整模糊度，upscale重建 加入AdaFM模块引导。 2、Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination 3、ODE-inspired Network Design f
13、佐治亚理工学院、中国小米公司共同提出：Swift Parameter-free Attention 人类注意力模型上的璀璨皇冠
mantoudamahou的博客
11-28 2019
本文由美国佐治亚理工学院和小米公司于2023.11.21日，共同在《Electrical Engineering and Systems Science》期刊上发表，佐治亚学院也称乔治亚学院，与麻省理工、加州理工学院并称美国三大理工学院，被誉为美国“公立常春藤”，全球高校QS-2023第12位，THE-2023榜单第11位。目前全网没有对该模型进行解读的，老样子，我先来，占个原创版权。
深度学习超分辨率：Learning a Deep Convolutional Network for Image Super-Resolution论文解析与Pytorch...
论文探讨了如何利用深度卷积网络进行图像超分辨率重建，特别是针对单张低分辨率图像的Super-Resolution (SISR)。作者提出了SRCNN（Super-Resolution Convolutional Neural Network）模型，该模型由三个主要部分组成...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值