![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
英文文献阅读
文章平均质量分 90
M_Y_Y_
这个作者很懒,什么都没留下…
展开
-
An Effective and Comprehensive Image SuperResolution Algorithm Combined Witha Novel Convolutional
2021 IEEE一种结合卷积神经网络和小波变换的图像超分辨率算法摘要本文提出了一种结合深度学习和小波变换(ISRDW)的图像超分辨率算法。在网络上设计方面,采用交叉连接和剩余学习方法来降低训练模型的难度。在损失函数方面,本文利用原始图像空间域和小波域产生的损失来加强网络训练的约束。一、介绍基于卷积神经网络的方法跟传统方法相比有了很大的突破,但是仍存在一些问题,现有的SR方法的训练过程大多依赖于空域中逐像素均方误差,使网络输出尽可能接近HR图像,但这种方法容易产生模糊和过于平滑的输出原创 2022-01-20 21:13:22 · 2495 阅读 · 0 评论 -
ICCV2021:Focal Frequency Loss for Image Reconstruction and Synthesis
用于图像重建和合成的焦频损失摘要在本研究中,我们发现缩小频域间隙可以进一步改善图像重建和合成质量。我们提出了一种新的焦频损耗,它允许模型通过降权重的方式自适应地聚焦于难以合成的频率分量。这个目标函数是对现有空间损失的补充,对由于神经网络的固有偏差造成的重要频率信息损失提供了巨大的阻抗。一、介绍图像重建和合成,在某些情况下,人们仍然可以观察到真实图像和生成图像之间的差距。例如,使用转置卷积的上采样层往往会产生棋盘效应。可以观察到,在真假图像之间的频域差距可能是这些图像合成方法的共.原创 2021-12-15 17:16:45 · 2598 阅读 · 1 评论 -
ICCV-2021:APR
幅度相位重组:重新思考频域卷积神经网络的鲁棒性摘要图像相位谱对于鲁棒视觉系统的重要性仍然被忽略。在本文,注意到CNN倾向于收敛于局部最优,这与训练图像的高频成分密切相关,而幅度谱容易受到噪声或常见的腐蚀等干扰。相比之下,更多的实证研究发现,人类依赖更多的相位成分来实现鲁棒识别。这一观察结果进一步解释了CNN在对常见扰动和分布外检测(OOD)的鲁棒性方面的泛化行为,激发了通过重新梳理当前图像的相位谱和干扰图像的幅值谱来设计数据增强的新视角。即生成的样本迫使CNN更多地关注来自相位分量的结构化信息,原创 2021-12-03 09:26:34 · 658 阅读 · 0 评论 -
(DPIR)Plug-and-Play Image Restoration with Deep Denoiser Prior
基于深度去噪的即插即用图像恢复摘要问题:当更深更大的CNN模型迅速流行时,现有的即插即用图像恢复由于缺乏合适的去噪器而阻碍了其性能。为了突破即插即用图像恢复的局限性,我们通过训练一个高度灵活有效的CNN去噪器,建立了一个基准深度去噪器。然后,我们将深度去噪器作为一个模块插入到基于半二次分裂的迭代算法中,以解决各种图像恢复问题。一、介绍从贝叶斯的角度来看,解x可以通过解决最大后验概率(MAP)估计问题得到:其中logp(y|x)表示观测y的对数似然值,logp(x)表示干净图像x的原创 2021-10-29 11:30:52 · 4139 阅读 · 1 评论 -
CVPR-2019:Deep Network Interpolationfor Continuous Imagery Effect Transition
连续图像效果过渡的深度网络插值摘要用户口味的多样性激发了不同输出效果之间的连续过渡的可能性。提出了一种简单而通用的方法来在许多低水平视觉任务中实现对不同图像效果的平滑控制,包括图像恢复、图像到图像转换和风格转换。深度网络插值(Deep Network Interpolation, DNI),是在两个或多个相关网络的参数空间中进行线性插值。通过调整插值系数可以实现图像效果的平滑控制。一、介绍对于每个特定的任务,深度网络学习一个确定性映射,并为相同的输入输出固定的图像。然而,一个确定的输出不原创 2021-10-14 09:40:15 · 434 阅读 · 0 评论 -
CVPR_2019:Towards Real Scene Super-Resolution With Raw Images
利用原始图像(raw images)实现真实场景的超分辨率摘要由于(1)缺乏真实的训练数据和(2)模型输入的信息丢失,大多数现有的超分辨率方法在实际场景中表现不佳。为了解决问题,本文:(1)提出了一种新的管道,通过模拟数码相机的成像过程来生成逼真的训练数据(2)开发了一个双卷积神经网络来利用原始图像捕获的射线信息。此外,提出了学习空间变化的颜色变换,这有助于更有效的颜色校正。一、介绍用以表示对象的像素的数量,即,图像分辨率,与相机焦距的平方成正比。虽然可以使用长焦距镜头获原创 2021-10-11 15:35:36 · 1095 阅读 · 0 评论 -
(SRMD)CVPR-2018:Learning a Single Convolutional Super-Resolution Network for Multiple Degradations
学习用于多种退化的单卷积超分辨率网络摘要之前存在的问题:(1)现有的基于CNN的SISR方法大多假设LR图像是从HR图像双三次下采样的,因此,当真实退化不符合此假设时,会导致性能差。(2)他们缺乏通过使用单一模型处理多种退化的可伸缩性。因此,提出了一个具有dimensionality stretching strategy(维度扩展策略)的通用框架,使单个卷积超分辨率网络能够考虑SISR退化过程中的两个关键因素:模糊核和噪声级,作为输入。因此,SR可以处理多个甚至空间变化的退化。一、原创 2021-09-23 16:07:26 · 1320 阅读 · 0 评论 -
(ZSSR)CVPR-2018:“Zero-Shot” Super-Resolution using Deep Internal Learning
摘要在监督学习下,SR方法仅限于特定的训练数据,其中从其高分辨率(HR)获取低分辨率(LR)图像是预先确定的,没有任何分散注意力的伪影(例如,传感器噪声、图像压缩、非理想PSF等)。但真实的LR图像很少遵守这些限制。本文介绍了“Zero-Shot”SR,它利用了深度学习,但不依赖于预先的训练。利用单个图像中信息的内部重现性,并在测试时对仅从输入图像本身提取的示例训练特定于图像的小CNN。因此,它可以使自己适应每个图像的不同设置。这允许在采集过程未知或不理想的情况下,对真实旧照片、噪声图像、生物数据和原创 2021-09-21 19:01:13 · 1322 阅读 · 0 评论 -
(SFT-GAN)18:Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform
基于深度空间特征变换的图像超分辨率真实纹理恢复原创 2021-09-19 10:47:00 · 1465 阅读 · 0 评论 -
(MSCN)CVPR-2016:Learning a Mixture of Deep Networks for SingleImage Super-Resolution
一、摘要本文提出了在一个统一的框架中学习SR推理模块的方法。具体地说,首先在LR图像上独立地应用专门用于不同图像局部模式的多个SR推理模块以获得各种HR估计,并且自适应地聚合所得HR估计以形成最终HR图像。二、本文方法整个图像信号空间可以划分为若干子空间,并为每个子空间中的图像信号指定一个SR模块。(1)LR图像作为输入(2)有许多SR推理模块,每一个Bi都用于推断特定类别的图像patch,并应用于LR输入图像以预测HR估计(3)设计了一个自适应权重模块T,用于在像素级自适应组合S.原创 2021-09-13 21:05:28 · 364 阅读 · 0 评论 -
(IRCNN)CVPR-2017:Learning Deep CNN Denoiser Prior for Image Restoration
本文旨在训练一套快速有效的CNN(卷积神经网络)去噪器,并将其集成到基于模型的优化方法中。贡献(1)训练了一套快速有效的CNN去噪器。通过变量分割技术,强大的去噪器可以将强大的图像先验引入基于模型的优化方法中。(2)学习的CNN去噪器集作为基于模型的优化方法的模块化部分插入,以处理其他逆问题。对经典红外问题的大量实验,包括去模糊和超分辨率,已经证明了集成灵活的基于模型的优化方法和基于CNN的快速判别学习方法的优点。介绍 (2)前一项为保真项,后一项为正则项(...原创 2021-09-13 18:59:22 · 1454 阅读 · 0 评论 -
(LapSRN)CVPR-2017:Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
用于快速准确超分辨率的深度拉普拉斯金字塔网络。一、摘要(1)提出了拉普拉斯金字塔超分辨率网络(LapSRN)来逐步重建高分辨率图像的子频带残差。(2)在每个金字塔级别,将粗糙的分辨率特征映射作为输入,预测高频残差,并使用转置卷积进行上采样到精细级别。(3)不需要双三次插值作为预处理,降低了计算复杂度。(4)使用稳健的Charbonnier损失函数对LapSRN进行训练。二、之前的技术存在的问题现有技术主要存在以下几个问题:(1)使用双三次插值进行预处理,增加了计算成本,并且通原创 2021-09-02 23:02:40 · 717 阅读 · 0 评论 -
(EDSR)CVPR-2017:Enhanced Deep Residual Networks for Single Image Super-Resolution
增强的单图像超分辨率深度残差网络;CVPR,2017主要问题大多数现有的SR算法将不同尺度因子的超分辨率视为独立问题,这些算法需要许多尺度特定的网络,需要独立训练以处理各种尺度。VDSR可以在单个网络中处理多个尺度的超分辨率,但是,VDSR的体系结构需要双三次插值图像作为输入,这导致与使用特定比例上采样方法的体系结构相比,计算时间和内存更大。方法使用单尺度体系结构(EDSR)处理特定的超分辨率比例,使用多尺度体系结构(MDSR)在单个模型中重建各种比例的高分辨率图像。三种模型的残差块原创 2021-08-31 21:21:59 · 769 阅读 · 0 评论 -
(VGG)VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
本文研究了卷积网络深度对其大规模图像识别设置精度的影响。我们的主要贡献是使用非常小的(3×3)卷积滤波器的架构对深度增加的网络进行深入的彻底评估,这表明通过将深度推到16-19重量层,可以实现对现有技术配置的显著改进。1 介绍在本文中,我们讨论了ConvNet架构设计的另一个重要方面——它的深度。为此,我们修复了体系结构的其他参数,并通过增加更多的卷积层来稳步增加网络的深度,这由于在所有层中使用了非常小的(3×3)卷积滤波器是可行的。2 卷积神经网络配置2.1 体系结构在训练期间,我们.原创 2021-07-10 15:02:11 · 770 阅读 · 0 评论 -
(SRCNN)Learning a Deep Convolutional Network for Image Super-Resolution
提出了一种用于单幅图像超分辨率的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深度卷积神经网络(CNN)[15],以低分辨率图像作为输入输出高分辨率图像。我们进一步证明了传统的基于稀疏编码的SR方法也可以被视为一个深度卷积网络。...原创 2021-07-10 15:00:45 · 1116 阅读 · 1 评论