![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Super resolution超分辨率重建
文章平均质量分 94
lpppcccc
这个作者很懒,什么都没留下…
展开
-
Video SR-2
一、Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation (CVPR018 - DUF)1、出发点现有方法严重依赖于运动估计和补偿的准确性。2、主要工作本文提出了一种新型的端到端深度网络,它可以生成动态上采样滤波器和残差图像,残差图像依赖于每个像素的局部时空邻域来计算,以避免显式的运动补偿。3、网络结构多帧输入,含两个分支:过滤原创 2021-06-03 11:23:24 · 625 阅读 · 1 评论 -
Video SR-1
一、Video Super-Resolution With Convolutional Neural Networks (TIP2016)1、主要工作提出基于CNN的视频超分算法;提出三种结构,用来融合相邻的多帧信息;提出预训练方法,利用图像数据对VSR模型预训练;利用一种自适应运动补偿方案来处理视频中的快速运动物体和运动模糊;2、三种结构3、运动补偿(Motion Compensation)运动补偿的作用其实就是多个相邻帧的对齐。基于运动补偿算法,作者提出自适应运动补偿,用来解决大原创 2021-06-01 16:10:31 · 1069 阅读 · 0 评论 -
RealSR-SR with Multiple Degradations
目前超分在着重解决真实图像SR的问题。本文介绍的多种退化模型(Multiple Degradations)也是为了解决该问题。现实场景中的图像退化是更为复杂的,可能同时包含分辨率、噪声、模糊等问题。该类方法认为:真实数据的退化更为复杂,导致现有基于bicubic退化模型在真实数据上效果很差,所以可以通过考虑更复杂的退化,使模型能够应对更复杂的输入,以求在真实数据上获得更好地重建结果。因此,该类方法主要从以下两方面入手:设计更复杂的退化模型,让数据更接近于现实数据。设计更复杂的(鲁棒性更强的)重原创 2021-05-09 10:27:45 · 656 阅读 · 0 评论 -
RealSR真实场景超分
一、Camera Lens Super-Resolution本文主要解决RealSR的数据问题,通过控制镜头到物体的距离产生成对的真实数据(Real paired SR data)。(1)出发点现有的超分方法通常采用合成退化模型,如双三次(Bicubic)或高斯降采样。(2)主要工作本文主要从真实成对数据获取方面解决RealSR问题。为缓解现实成像系统中分辨率R和视场V之间的内在权衡,利用相机镜头的R-V退化,用于现实成像系统中的SR建模。创建City100数据集,包含两种新的获取LR-HR原创 2021-04-29 20:43:48 · 4204 阅读 · 1 评论 -
CVPR2020超分汇总
一、Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining(1)出发点:自然图像中不同区域会存在一些相似结构,当前模型忽略了图像中长距离的特征相似性。最近的一些研究通过探索非局部注意力模块成功地利用了这种内在特征相关性(如SAN中的非局部模块)。然而目前的深度模型都没有研究图像的另一个固有特性:跨尺度特征相关性。(2)主要贡献:提出跨尺度非局部(CS-N原创 2021-04-26 21:34:59 · 1375 阅读 · 0 评论 -
SR综述--Loss function
损失函数(1) pixel loss包括L1 loss和L2 loss像素损失限制了生成的HR图像在像素值上与ground truth HR图像足够接近。与L1损失相比,L2损失对较大的误差不利,但对较小的误差有较大的容忍度。在实践中,L1损失相对于L2损失有更好的收敛性和更好的性能表现。然而,由于像素损失实际上并没有考虑到图像质量(如感知质量,纹理),因此它常常缺乏高频细节,并且对...原创 2019-11-29 15:17:16 · 1435 阅读 · 1 评论 -
SR网络设计
一、残差学习(1)全局残差学习CNN只需要学习LR和HR之间的高频残差,而避免学习完整的图片。由于大部分区域的残差接近于零,大大降低了模型的复杂度和学习难度。如VDSR,DRRN,MemNet,IDN。。。(1)局部残差学习局部残差学习是用来缓解网络深度增加带来的模型退化问题。如RCAN,EDSR二、递归学习为了在不引入大量参数的情况下实现更大的接受域(reception field)...原创 2020-02-03 12:01:03 · 2076 阅读 · 0 评论 -
SR综述文章阅读--上采样--网络设计
一、四种上采样网络架构预先上采样:先利用插值法上采样到指定大小,再利用CNN学习LR与HR之间的映射。优点:(1)与传统方法相比,深度cnn只需要对粗图像进行细化,大大降低了学习难度;(2)可以采用任意大小和比例因子的插值图像作为输入;缺点:(1)预先上采样方法往往会带来一些副作用(例如噪声放大和模糊);(2)而且由于大多数操作都是在更大的feature map中执行的,所以时间和...原创 2019-11-20 19:19:30 · 2141 阅读 · 0 评论 -
2019超分论文-Feedback Network for Image Super-Resolution
1、Feedback Network for Image Super-Resolution设计SRFBN来用高层信息细化低层信息,带约束的RNN中使用隐状态来实现这种反馈方式。反馈块(FB)用于处理反馈连接并生成强大的高层表示。所提出的SRFBN具有较强的早期重建能力,能够逐步生成最终的高分辨率图像。基于深度学习方法的好处主要来自于它的两个关键因素:深度和跳连接(residual or den...原创 2019-07-16 16:28:57 · 1306 阅读 · 0 评论 -
利用先验知识来约束和引导图像重建过程
一、低秩约束的图像非盲去模糊论文题目:Deep Non-Blind Deconvolution via Generalized Low-Rank Approximation1、退化过程非盲去模糊为模糊核已知。退化过程可以表示为:其中x表示target,k表示模糊核,y为退化的模糊图像。转到频域可以表示为:2、非盲去模糊去模糊的过程,实际是在求模糊核k的伪逆矩阵k*。如图所示,当模糊核为15x15时,伪逆矩阵为150x150,甚至更大,这样会导致计算量非常的大。对于这个大矩阵,利用SV原创 2020-08-18 10:50:51 · 2346 阅读 · 0 评论 -
ACCELERATING MAGNETIC RESONANCE IMAGING VIA DEEP LEARNING
利用深度学习加速MRI本文是第一篇利用DL加速MRI的文章。CNN用来学习k空间全采样的高质量MRI与利用零填充的欠采样的MRI之间的映射。加速MRI主要有以下几种方法1)基于物理的快速成像序列2)基于硬件的并行成像3)基于降阶样本MR图像重建的信号处理。...原创 2019-07-01 11:06:23 · 648 阅读 · 0 评论 -
超分-wavelet
1、DWSR:Deep Wavelet Prediction for Image Super-resolution动机:大多数基于深度学习的图像超分辨率方法都是基于空间域数据,目的是将像素值重构为网络的输出。在本工作中,我们探讨了在SR任务中利用转换域数据的优点,特别是在捕捉图像中的更多结构信息以避免过多的人工痕迹。此外,基于VDSR和残差网在超分辨率任务中的良好性能,提出了一种用于超分辨率任...原创 2019-06-26 09:07:25 · 3121 阅读 · 0 评论 -
超分辨率:WDSR
WDSR为2018年超分冠军模型,模型与EDSR相比,主要有以下几点改进:(1)改变模型基本框架(2)增加channel个数(3)WN(权重归一化)权值归一化是神经网络中权值向量的重新参数化,实际就是重新定义权值w的大小和方向。由下图可以看出,新的w的大小等于g,方向与v一致。引入WN可以提高训练的学习效率(即10×),提高训练和测试的准确性。详细介绍参见:https://blo...原创 2019-06-25 10:19:37 · 2344 阅读 · 2 评论 -
ECCV2018超分辨率SRFeat: Single Image Super-Resolution with Feature Discrimination
提出问题目前大多数超分辨率方法都是采用MSE均方误差,以获得小的psnr,但是这种方法很难捕捉图像之间的感知差异,相反,它更喜欢没有高频细节的模糊结果,因为最小化误差会使结果回归到可能解决方案的平均值(视觉感受是平滑,模糊)。之前的GAN-based SISR 方法:(1)SRGAN:使用感知损失和对抗性损失项来获得视觉上令人满意的结果;(2)Enhancenet: Single imag...原创 2019-06-16 19:32:02 · 1231 阅读 · 0 评论 -
ECCV2018超分辨率CARN:Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network
本文提出一种轻量级级联残差网络,速度快,性能也还不错。提出问题尽管深度学习方法提高了SR图像的质量,但速度慢,并不适用于真实场景。从这个角度来看,设计适合实际应用的轻量级深度学习模型非常重要。一种方法是减少参数的数量,实现这一目标的方法有很多,但最简单和有效的方法是使用递归网络。例如,DRCN使用递归网络来减少冗余参数,而DRRN通过向DRCN添加残差体系结构来改进DRCN。与标准CNN相比...原创 2019-06-16 10:44:53 · 10942 阅读 · 0 评论 -
CVPR2018超分辨率论文介绍
1、Residual Dense Network for Image Super-Resolution(1)问题:大多数基于CNN的深度SR模型并没有充分利用原始低分辨率(LR)图像的层次特征,从而实现相对较低的性能。(2)解决方法:本文提出了一种新的残差密集网络(RDN),充分利用了原LR图像的所有层次特征。提出了一种残差密集块(RDB),它不仅可以通过连续内存(CM)机制读取前一个R...原创 2019-06-20 09:09:43 · 2136 阅读 · 0 评论 -
ECCV2018超分辨率MSRN:Multi-scale Residual Network for Image Super-Resolution
这篇文章主要创新点是:使用多尺度残差块充分提取图片特征问题(1)目前的研究倾向于使用更深层次的卷积神经网络来提高性能。但是随着网络深度的增加,训练过程中出现的问题越来越多,需要更多的训练技巧。导致很多方法难以复现;(2)特征利用不足,随着网络深度的增加,特征在传输过程中逐渐消失。如何充分利用这些特征,是网络重建高质量图像的关键;(3)可扩展性差;贡献提出了一种新的多尺度残差网络(MSR...原创 2019-06-14 16:46:39 · 5802 阅读 · 3 评论 -
ECCV2018超分辨率RCAN:Image Super-Resolution Using Very Deep Residual Channel Attention Networks
提出问题(1)更深层次的图像SR网络更难训练,仅仅通过叠加剩余块来构建更深层次的网络很难得到更好的改善。(2)低分辨率的输入和特征包含丰富的低频信息,而目前主流的基于cnn的方法对每个信道特征都一视同仁,缺乏跨特征信道的识别学习能力,阻碍了深度网络的表征能力。解决方法(1)文章提出了一种残差信道注意网络(RCAN)来获得非常深的可训练网络,同时自适应地学习更多有用的信道特征。(2)为了简...原创 2019-06-13 21:38:09 · 3175 阅读 · 0 评论 -
超分辨率重建(深度学习)2018年之前经典论文
SRCNNhttps://blog.csdn.net/Autism_/article/details/79401798FSRCNNhttps://blog.csdn.net/u010327061/article/details/80092262原创 2019-06-12 20:09:44 · 3350 阅读 · 1 评论