![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像超分
我真不会写代码
机器学习,深度学习,医学影像处理
展开
-
Scale-wise Convolution for Image Restoration AAAI2020
Scale-wise Convolution for Image Restoration摘要虽然尺度不变建模在很大程度上提高了视觉识别任务的性能,但在基于深度网络的图像恢复中仍有很大的不足。将这些尺度不变的技术(例如,多尺度测试、随机尺度数据扩充)直接地应用于图像恢复任务,通常会导致较差的性...原创 2020-02-13 11:24:33 · 761 阅读 · 0 评论 -
Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination
Motivation: 对于单图像超分辨率利用客观的损失函数无法重建出真实的精细纹理和细节,而这些对于感知质量至关重要。通过生成增强纹理来正强感知质量,会生成虚假细节,通常使得图像看起来不自然。整体思路: 提出了一种新的方法来重建具有高感知质量的真实的超分辨图像,同时保持结果的自然性。研究了SISR问题的域先验性质,在低阶域定义了自然先验,并在自然流形中约束了输出图像,最终生成更自然、更真实的...原创 2020-02-12 10:21:56 · 456 阅读 · 0 评论 -
Image Super-Resolution by Neural Texture Transfer(CVPR2019)
Motivation:基于参考图像的图像超分方法具有很大的潜力,但是当参考图像和LR图像不够相似时,或者未对齐时,图像的超分效果就会很差。整体思路: 本文旨在利用来之参考图像的更多纹理信息来释放RefSR的潜力,即是在不提供相关的Ref图象时,也具有很强的鲁棒性。将RefSR问题形式化为神经纹理迁移问题,设计了端到端的模型,将Ref图像的纹理自适应的迁移,从而丰富HR图像细节,且在神经空间执行...原创 2020-02-12 10:20:15 · 461 阅读 · 0 评论 -
Second-order Attention Network for Single Image Super-Resolution(CVPR2019)
Motivation:现有的基于深度卷积神经网络的方法主要专注于设计更深或者更宽的网络结构,却很少挖掘层间特征的相关性,从而降低了卷积神经网络的学习能力.整体思路:提出了一个二阶注意力网络(SAN)来实现更强大的特征表达和特征相关学习。提出了一种新的可训练的二阶通道注意力(SOCA)模块,进行相关性学习。提出了一种非局部增强的残差组(NLRG)结构,捕获远距离空间上下文信息。Github地...原创 2020-02-12 10:16:22 · 5087 阅读 · 4 评论 -
Multi-Dimension Modulation for Image Restoration with Dynamic Controllable Residual Learning
Motivation:现有的方法在实现两个目标之间的平滑过渡时受到限制,而实际输入图像可能包含不同种类的退化。传统的图像恢复深度学习方法(如图像去噪、去模糊和超分辨率)学习从退化图像空间到自然图像空间的确定性映射。对于给定的输入,这些方法中的大多数只能生成具有预先确定的恢复级别的固定输出。缺乏根据不同用户的喜好改变输出效果的灵活性。目前有的调制工作都是在一维上的,即是假设只有一个单一的退化类型。...原创 2020-02-12 10:08:39 · 532 阅读 · 0 评论 -
ICCV2019 Kernel Modeling Super-Resolution on Real Low-Resolution Images
Kernel Modeling Super-Resolution on Real Low-Resolution Images整体流程: 使用暗通道先验[19]来简单有效地估计自然图像的模糊核。 利用WGAN-GP以1中生成的模糊核作为训练样本训练,扩充模糊核。 利用1和2种生成的模糊核,模糊真实图像生成超分网络的训练数据集。 公开的代码与论文有一些不一...原创 2019-12-19 16:48:24 · 1561 阅读 · 0 评论 -
CFSNet: Toward a Controllable Feature Space for Image Restoration ICCV2019
CFSNet: Toward a Controllable Feature Space for Image Restoration图1:图像超分辨率(第一行)的感知失真权衡与噪声降低与细节保留(第二行)的权衡,在测试时间,使用CFSNet时,用户可以很容易地根据个人喜好调整输入控制变量达到最满意的结果。相比之下,固定的方法(如EDSR、dncn - b)并不能总是保证最佳的视觉质量。...原创 2020-01-02 09:50:07 · 1052 阅读 · 0 评论