CVPR 2019 论文解读 | 基于多级神经纹理迁移的图像超分辨方法 (Adobe Research)

最新推荐文章于 2024-08-20 09:31:24 发布
最新推荐文章于 2024-08-20 09:31:24 发布
阅读量1.8k 收藏 11
点赞数 2
文章标签： CVPR 论文解读
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/qq_42793029/article/details/90716108
版权
本文解读了Adobe Research在CVPR 2019上提出的基于多级神经纹理迁移的图像超分辨方法SRNTT。SRNTT通过端到端的深度模型，利用参考图片的纹理细节，改善了超分辨恢复效果，尤其在参考图片与低分辨图片不完全相关时仍能表现出色。通过特征替换和纹理迁移，模型能自适应地迁移纹理，增强了超分辨图像的细节。实验证明，无论是在定量评估还是定性评估中，SRNTT都超越了其他超分辨方法。
摘要由CSDN通过智能技术生成

基于多级神经纹理迁移的图像超分辨方法

超分辨（Super-Resolution）图像恢复旨在从低分辨模糊图像中恢复出高分辨的清晰图像，是计算机视觉中的一个重要任务，在工业界有非常强的应用前景。CVPR是图像超分辨研究的集中地之一，光今年录用的超分辨及相关研究方向的论文就不下10篇。本文解读其中一篇由Adobe研究院为一作发表的超分辨研究方向的论文。可通过 1)原文arXiv链接 2)项目主页 3)代码github仓库 获取论文相关资源。

本文目录如下:
1.全文概览
2.方法介绍
—— 2.1 特征替换
—— 2.2 纹理迁移
—— 2.3 损失函数
3.实验分析
—— 3.1 综合对比
—— 3.2 图片相似度对性能的影响
—— 3.3 级别数量对性能的影响
—— 3.4 纹理损失函数对性能的影响
4.总结

  1.全文概览

经典的单图超分辨技术(SISR)的发展因为低分辨图片固有的信息丢失特点而变得极具挑战，新兴的基于参考图片的超分辨技术(RefSR)可以在参考图片的帮助下恢复出高分辨图片的更多细节，为超分辨恢复技术的研究打开了一扇新的大门。然而现有的RefSR方法要求参考图片与低分辨图片有较高的相似性，当参考图片与低分辨图片差别较大时超分辨恢复的效果会严重下降，甚至不如无参考的SISR方法。
该文旨在通过放宽对参考

最低0.47元/天 解锁文章
AI 研习社
关注
图像超分辨的几种方法
yuehuihui00的博客
06-11 8538
当前看了几种图像超分辨的方法，本篇博客主要介绍 最近邻插值算法、双线性插值算法、双三次插值算法(bicubic interpolation)、SRCNN、TNRD、ESPCN 几种方法。 为了方便归纳，这里借鉴一下其他几个博主的相关总结。。 1.**最近邻插值算法、双线性插值算法、双三次插值算法(bicubic interpolation)**请参阅博客 https://blog.csdn.net/nandina179/article/details/85330552 2.SRCNN方法请参阅博客 htt
NTIRE2019图像超分辨比赛结果
qq_36338830的博客
12-25 3136
NTIRE2019图像超分辨比赛结果   NTIRE挑战赛到今天已经举办了三次。每次挑战赛都会收到许多新的图像算法论文，这些论文往往同时被CVPR会议接受。2019年NTIRE的图像超分辨赛道挑战结果已经公布。    以下内容可以在《NTIRE 2019 Challenge on Real Image Super-Resolution: Methods and Results》中找到。 表1： ...
图像超分辨
12-05
超分辨很好地知网论文，适合初学者使用和阅读 等等 看
SRNTT-PyTorch 使用指南
最新发布
gitblog_00788的博客
08-20 286
SRNTT-PyTorch 使用指南 srntt-pytorch项目地址:https://gitcode.com/gh_mirrors/sr/srntt-pytorch 1. 项目介绍 SRNTT（Skip Residual Network for Texture Transfer）是一种新颖的参考图像超分辨率（RefSR）方法，旨在通过神经纹理转移提升超分辨率效果。该方法由Adobe团队在CV...
图像超分辨——传统方法（个人总结）
热门推荐
SimonCoder的专栏
11-07 2万+
根据自己的经验总结一下图像超分辨的方法，图像超分辨（Image Super Resolution）可以分为传统方法和深度学习方法，传统方法一直都在出paper，最近几年深度学习在处理图像、文本、语音的任务上表现出了一定的优势，所以基于深度学习做超分辨在最近几年发了很多paper，包括最早地将CNN用于超分辨，后来的ResNet，GAN等。 lena的原始图像为512×512，lena x4为1/...
Neural Style Transfer 神经风格迁移详解
bbbeoy的专栏
08-24 1591
Neural Style Transfer 神经风格迁移详解 今天和大家分享一个比较有意思的东西，Neural Style Transfer，神经风格迁移，简单说就是我们将一张普通的照片赋予它艺术作品风格。 大家应该都知道风靡一时的prisma应用，这个应用背后的原理就是这个。我们选择一张普通的照片，再选择一张艺术作品，同时输入，经过神经风格转换，就能给这张照片赋予艺术的风格。那么是如何做到的呢？ 接下来看最早提出来神经风格迁移的是 Leon A. Gatys，他先后在2015年和2016年发表了两篇
CVPR2021-Paper-Code-Interpretation:cvpr2021cvpr2020cvpr2019cvpr2018cvpr2017 论文代码解读直播合集，极市团队整理
05-10
cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017（Papers/Codes/Project/Paper reading） 论文解读汇总： 论文分类汇总： 2000~2020年历届CVPR最佳论文代码，解读等汇总： 目录 7.CVPR2021最新论文分类汇总(持续更新...
dncnn图像去噪_CVPR 2018 论文解读 | 基于GAN和CNN的图像盲去噪
weixin_39738251的博客
12-19 1044
原标题：CVPR 2018 论文解读 | 基于GAN和CNN的图像盲去噪作者丨左育莘学校丨西安电子科技大学研究方向丨计算机视觉图像去噪是low-level视觉问题中的一个经典的话题。其退化模型为 y=x+v，图像去噪的目标就是通过减去噪声 v，从含噪声的图像 y 中得到干净图像 x 。在很多情况下，因为各种因素的影响，噪声的信息是无法得到的，在这样的情况下进行去噪，就变成了盲去噪。Image Bl...
CVPR 2019 论文解读 | 具有高标签利用率的图滤波半监督学习方法
AI 研习社的博客
05-30 1851
具有高标签利用率的图滤波半监督学习方法 本文解读了一篇被CVPR2019大会接收的半监督学习方向的论文,点击此处跳转至arXiv查看原文。在之前AI研习社直播的CVPR论文分享会上，论文的作者之一吴晓明老师做了现场分享，大家可以将第一个回放视频跳转到1:59:23处听吴老师的现场讲解。本文基于论文原文和老师的PPT对文章内容进行了重新梳理和解读，详略适中，希望对大家有帮助。 《Label-E...
基于深度学习的图像超分辨率算法论文合集2015-2019（CVPR,ECCV,ICCV）
03-31
在2015年至2019年间，随着深度学习的兴起，图像超分辨率算法得到了显著的发展，尤其是在卷积神经网络（CNN）和生成式对抗网络（GAN）的应用上。 卷积神经网络（CNN）在图像超分辨率中的应用开创了新的篇章。传统的...
《Meta-Transfer Learning for Zero-Shot Super-Resolution》——零镜头超分辨率的元迁移学习 论文学习笔记
qq_58300362的博客
02-12 2153
概念先知： 单幅图像超分辨率：就是恢复高频信息 单幅图像超分辨重建是指只有一幅低分辨率观测图像的情况下，结合图像的一些先验知识，恢复出图像获取时丢失的高频信息，重建出一幅高分辨率的图像 图像超分辨率研究可分为 3个主要范畴： 基于插值、 基于重建和基于学习的方法． PSNR：“Peak Signal to Noise Ratio”的缩写，即峰值信噪比，是一种评价图像的客观标准，它具有局限性，一般是用于最大值信号和背景噪音之间的一个工程项目，通常在经过影像压缩之后，输出的影像都会.
Python-通过深度空间特征变换恢复图像超分辨率的真实纹理CVPR2018
08-11
Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform (CVPR 2018)
neuraltexture:从2D范例中学习神经3D纹理空间[CVPR 2020]
04-23
神经纹理 本文的官方代码存储库： 从2D范例中学习神经3D纹理空间[CVPR，2020] ， ， [ ] [] 数据 我们从下载了所有纹理。 由于许可的原因，我们无法提供训练数据，但是，我们在受过训练的模型下trained_models针对wood, grass, marble, rust_paint类的预训练模型。 推理 为了评估纹理，将所需的纹理添加到datasets/<class>/test下的相应文件夹中，并使用trained_models/下的一个预先训练的模型，然后运行评估（请参阅下面的说明）。 我们已经提供了一些示例。 训练 为了进行培训，您将需要在datasets/<your>下提供数据集，并提供两个子目录： train和test 。 我们提供wood ， grass ， marble和rust_paint test rust_paint 。
深度纹理编码网络 (Deep TEN: Texture Encoding Network)
solarforward的专栏
02-12 3581
语言: English 这是一篇CVPR2017的投稿 （ArXiv的链接：https://arxiv.org/pdf/1612.02844v1.pdf）在这里给大家介绍一下这部分的工作，不像写论文那样用词严谨，这里简单介绍一下核心思想，方便大家阅读。（我个人是来到美国之后才接触科研，文中学术名词的汉语表述有不当之处还请谅解。） 我们提出了一个新的深度学习模型，这个模型推广了传统的字典
pythonb超分辨成像_使用神经网络进行图像超分辨踩的坑
weixin_39609770的博客
12-09 132
1、matlab的bicubic结果会有小于0或者大于255的情况出现。Image interpolation wrong for pixel values exceeding vmax #8631MATLABresize函数中也说明了：% For bicubic interpolation, the output image may have some values% slightly ...
【图像超分辨】SRCNN
sinat_36197913的博客
03-11 2478
SRCNN算法流程训练测试 超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SIS...
探索多尺度神经纹理合成：Subjective Functions
gitblog_00052的博客
06-06 387
探索多尺度神经纹理合成：Subjective Functions subjective-functionsMulti-scale neural texture synthesis... and more?项目地址:https://gitcode.com/gh_mirrors/su/subjective-functions 在深度学习与艺术创作的交汇点，有一个令人瞩目的开源项目——Subjecti...
[TOG2019]Deferred Neural Rendering:Image Synthesis using Neural Textures
wrk226的博客
04-05 3297
本文处理的问题是新视角合成，即给定一个物体的一组照片，要求生成全新视角的图片。大概思路是先通过给定的这组照片重建出一个3D模型，然后旋转通过旋转3D模型就可以得到新视角的图片了。而本文最大的亮点在于他假设重建的3D模型是并不完美的（这非常符合实际，因为事实上现如今的技术无法做到完美的3D重建），因此作者让网络将像素特征（区别于RGB）储存到了纹理图中，称之为神经纹理（neural texture）。这么做的目的是希望这个神经纹理可以在渲染阶段辅助渲染器补全由于不完美的3D模型造成的artifact。因此渲染
深度学习下相机姿态回归：几何损失函数在CVPR2017论文解读
3. **深度学习的优势**：论文转向了端到端的深度学习方法，强调其优点，如不需与场景大小成线性比例的内存需求、提高精度、减少超参数依赖，并指出这种方法适用于任何可以通过反向传播训练的神经网络。 4. **模型与...
评论 1
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