NTIRE2020~21 SISR超分 总结

最新推荐文章于 2025-04-27 14:36:12 发布
最新推荐文章于 2025-04-27 14:36:12 发布
阅读量2k 收藏 10
点赞数 2
分类专栏： 超分 文章标签： 计算机视觉
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/weixin_45828771/article/details/119800973
版权

18~20 参考https://blog.csdn.net/weixin_46773169/article/details/108833993

目录

NTIRE 2021 Learning the Super-Resolution Space Challenge

一、任务

二、评价标准 

三、结果

NTIRE 2021 Challenge on Burst Super-Resolution: Methods and Results

一、任务

二、评价标准

三、结果

NTIRE 2021 Challenge on Video Super-Resolution

一、任务

二、评价标准

三、结果

NTIRE 2020 Challenge on Real-World Image Super-Resolution

一、任务

二、评价标准

三、结果

NTIRE 2020 Challenge on Perceptual Extreme Super-Resolution

一、任务

二、评价标准

三、结果

NTIRE 2021 Learning the Super-Resolution Space Challenge

一、任务

在大尺寸的超分辨率中存在多个可能解，要求模型可以提供在4x和8x上同一个LR对应的任意多个HR结果。

二、评价标准 

数据集为DIV2K bicubic downsample

1、Photo-realism： LPIPS metric，Mean Opinion Rank (MOR) for the user study

2、The spanning of the SR Space

3、Low Resolution Consistency

三、结果

NTIRE 2021 Challenge on Burst Super-Resolution: Methods and Results

一、任务

Given a RAW noisy burst as input, the task in the challenge was to generate a clean RGB image with 4 times higher resolution.
连拍的raw→4x的RGB
The challenge contained two tracks; Track 1 evaluating on synthetically generated data, and Track 2 using real-world bursts from mobile camera.
Track1是根据GT人为退化生成的数据 Track 2 是不同的设备拍摄对应的数据

二、评价标准

Track 1:PSNR SSIM LPIPS

数据集为Goutam Bhat, Martin Danelljan, L. Gool, and R. Timofte. Deep burst super-resolution. In CVPR, 2021

论文中所给出的数据集（训练集、测试集）
Track 2：Deep burst super-resolution中的处理方法进行处理，standard image quality metrics（PSNR, SSIM, and LPIPS）和MOR
数据集：BurstSR dataset consists of bursts captured using a hand held camera, along with a corresponding HR image captured using a DSLR.

三、结果

 

NTIRE 2021 Challenge on Video Super-Resolution

一、任务

Track 1: 传统

reconstruct 30 HR sequences from given × 4 downsampled videos from the REDS [ 37 ] dataset, similar to the conventional VSR algorithms.
Track 2:
spatio-temporal super-resolution (STSR) 12fps视频，一边插帧一边超分

二、评价标准

数据集REDS

Track 1:PSNR and SSIM LPIPS
Track 2:PSNR and SSIM LPIPS

三、结果

 冠军方案解读：https://blog.csdn.net/weixin_47196664/article/details/115922761

NTIRE 2020 Challenge on Real-World Image Super-Resolution

一、任务

真实世界图像的超分

only one set of source input images is therefore provided along with a set of un paired high-quality target images
Track 1: Image Processing artifacts , the aim is to super-resolve images with synthetically generated image processing artifacts
Track 2: Smartphone Images , real low-quality smart phone images have to be super-resolved.
In both tracks, the ultimate goal is to achieve the best per ceptual quality, evaluated using a human study.
由于真实情景下，LR-HR对 难以获得，所以 In this challenge, the aim is instead to learn super-resolution from unpaired data and without any restricting assumptions on the input image formation.

二、评价标准

No paired reference HR images are available for training.只提供HR

Track1 : the input is generated with a common image signal processing operation to simulate the real-world SR case where we can measure against a undisclosed ground truth 输入人为模拟的退化图像

PSNR SSIM

训练集来自  Unsupervised learning for real-world super-resolution ICCVW2019

Track 2 we the input are untouched iPhone3 images. 数据集是DPED
MOR

三、结果

 Top解读：https://mp.weixin.qq.com/s/LwMLjjUr4wnzRqsgbanrrQ

NTIRE 2020 Challenge on Perceptual Extreme Super-Resolution

一、任务

x16 且能够生成具有最佳感知质量并与真实情况相似的高分辨率结果

Extreme：倍数很大 x16

Perceptual: 感知质量要求高

二、评价标准

DIV8K数据集

LPIPS (Learned Perceptual Image Patch Similarity)  and no-reference PI(Perceptual Index)

三、结果

Top解读：https://mp.weixin.qq.com/s/nj_C_LXFpWQZASc4ITJmmA

【图像超分】论文精读：Multi-scale Residual Network for Image Super-Resolution（MSRN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-03 980
最近的研究表明，深度神经网络可以显著提高单幅图像超分辨率的质量。目前的研究倾向于使用更深的卷积神经网络来提高性能。然而，盲目增加网络深度并不能有效改善网络。更糟糕的是，随着网络深度的增加，训练过程会出现更多的问题，需要更多的训练技巧。在本文中，我们提出了一种新颖的多尺度残差网络 (MSRN) 来充分利用图像特征，其性能优于大多数最先进的方法。基于残差块，我们引入不同大小的卷积核，自适应地检测不同尺度的图像特征。同时，我们让这些特征相互交互以获得最有效的图像信息，我们称之为结构多尺度残差块（MSRB）。此外，
【图像超分】论文精读：Designing a Practical Degradation Model for Deep Blind Image Super-Resolution（BSRGAN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-29 4429
众所周知，如果假设的退化模型与真实图像中的退化模型偏离，单图像超分辨率 (SISR) 方法表现不佳。尽管考虑了几个退化模型，例如模糊，但它们仍然不够有效，无法覆盖真实图像的不同退化。为了解决这个问题，本文提出设计一个更复杂但实用的退化模型，该模型由随机打乱的模糊、下采样和噪声退化组成。具体地说，模糊由两个各向同性和各向异性高斯核的卷积近似；下采样是从最近的、双线性和双三次插值中随机选择的；噪声是通过添加具有不同噪声水平的高斯噪声来合成的，采用具有不同质量因子的JPEG压缩，并通过反向前向相机图像信号处理(I
NTIRE2024 | 修复一切图像RAIM: Restore All Image Model Challenge报告分析
jacke121的专栏
11-15 1533
NTIRE2024 | 修复一切图像RAIM: Restore All Image Model Challenge报告分析
《NTIRE 2020 Challenge on Real Image Denoising: Dataset, Methods and Results》阅读
69小石头的博客
06-01 4986
看这篇论文的原因，想了解一下这个比赛以及这个比赛中比较好的去噪模型。以下就是简单的翻译了一下，方便自己回顾。 摘要 本文重点介绍了NTIRE 2020在真实图像去噪方面的挑战，重点是新引入的数据集，提出的方法及其结果。 挑战是以前的NTIRE 2019基于SIDD基准的真实图像降噪挑战的新版本。 这项挑战基于新收集的验证和测试图像数据集，因此命名为SIDD +。 这一挑战有两个方面，它们可以定量评估（1）Bayer模式rawRGB和（2）标准RGB（sRGB）颜色空间中的图像降噪性能。 ...
NTIRE 2020 Challenge on Real Image Denoising: Dataset, Methods and Results
Hermite Lee的博客
08-16 701
一个关于真实图像去噪的比赛，以及一些比较新的神经网络去噪模型。 原文链接：https://blog.csdn.net/LiuJiuXiaoShiTou/article/details/106474655
ciplab-NTIRE-2020
03-21
研究损耗函数以实现极致的超分辨率 感知的极端超分辨率提交。 我们的方法分别在PI和LPIPS测量中排名第一和第二。 相依性 Python 3.6 PyTorch 1.2 麻木 枕头 tqdm 测试 克隆此仓库。 git clone https://github.com/kingsj0405/ciplab-NTIRE-2020 下载预训练的模型并将其放置到./model.pth 。 将低分辨率输入图像放置到./input 。 跑。 python test.py 如果您的GPU内存不足，请尝试使用-n 3或更大的选项。 在./output检查结果。 火车 克隆此仓库。 git clone https://github.com/kingsj0405/ciplab-NTIRE-2020 将训练png图像准备成./train 。 将验证png图像准备到./val 。 打开train.py并在
NTIRE数据集
OrigamiSun的博客
11-05 296
链接：https://pan.baidu.com/s/1UIit6pl5TpWOQxAxvhEhjA?通过百度网盘分享的文件：NTIRE_20...复制这段内容打开「百度网盘APP 即可获取」
NTIRE 2023 Challenge on Efficient Super-Resolution——RepRFN：当RFDN遇到重参数化
weixin_43800577的博客
07-12 4469
为了解决在资源受限的设备上很难部署超分模型（模型参数、计算量过大）的问题，本文探索了轻量化超分中信息蒸馏机制（information distillation mechanism）和残差学习机制（residual learning mechanism）在性能和效率上的差异，提出了基于重参数化（reparameterization）的轻量级超分网络结构，叫做RepRFN。
【图像超分】论文精读：Blueprint Separable Residual Network for Efficient Image Super-Resolution（BSRN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-24 19
论文题目：（CVPRW 2022 | BSRN）Blueprint Separable Residual Network for Efficient Image Super-Resolution —— 用于高效图像超分辨率的蓝图可分离残差网络单图像超分辨率 (SISR) 的最新进展取得了非凡的性能，但计算成本太高而无法应用于边缘设备。为了缓解这个问题，已经提出了许多新颖有效的解决方案。具有注意机制的卷积神经网络 (CNN) 由于其效率和有效性而受到越来越多的关注。但是，卷积操作仍然存在冗余。
【图像超分】论文精读：Swift Parameter-free Attention Network for Efficient Super-Resolution（SPAN）
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-27 29
论文题目：Swift Parameter-free Attention Network for Efficient Super-Resolution —— 用于高效超分辨率的Swift无参数注意网络CVPRW 2024！NTIRE轻量化超分赛道冠军。单图像超分辨率 (SISR) 是低级计算机视觉中的一项关键任务，旨在从低分辨率对应物重建高分辨率图像。传统的注意力机制显着提高了 SISR 性能，但通常会导致复杂的网络结构和大量的参数，导致推理速度缓慢，模型尺寸大。为了解决这个问题，我们提出了。
NTIRE21_BURSTSR
05-05
目录 介绍 “爆发图像超分辨率挑战赛”将作为研讨会的一部分，该研讨会将与一起举行。 挑战的任务是在给定RAW突发作为输入的情况下生成去噪，去马赛克的高分辨率图像。 挑战使用一个新的数据集，并具有2条轨迹，即轨迹1：合成和轨迹2：真实世界。 每个赛道上排名最高的参与者将获得奖励，并邀请所有参与者提交论文，介绍其在CVPR 2021上相关的NTIRE研讨会上的解决方案 参考 我们在以下论文中介绍了针对此挑战提供的BurstSR数据集，代码和评估协议。 如果您在工作中使用其中任何一项，请引用。 我们的论文还介绍了一种深度爆破超分辨率的新方法，您可以将其用作基准解决方案。 深度爆发超分辨率Goutam Bhat，Martin Danelljan，Luc Van Gool，Radu Timofte arXiv：2101.10997 [论文] 日期 2021.01.26发布培训和验证数据 2021
【图像超分】Analyzing Perception-Distortion Tradeoff using Enhanced Perceptual Super-resolution Network
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-29 270
基于卷积神经网络 (CNN) 的方法最近在图像超分辨率 (SR) 方面取得了巨大成功。然而，大多数基于深度 CNN 的 SR 模型试图改进失真度量（例如 PSNR、SSIM、IFC、VIF），同时导致量化感知质量较差（例如人类意见分数、无参考质量度量如 NIQE）。很少有作品试图以失真度量的性能下降为代价来提高感知质量。最近的一项研究表明，失真和感知质量彼此不一致，两者之间总是有一个权衡。通常，在感知质量方面优于恢复算法在失真度量方面较差。我们的工作试图分析单幅图像SR问题的失真和感知质量之间的权衡。
【论文阅读笔记】NTIRE 2022 Burst Super-Resolution Challenge
时光机 °的博客
12-06 1031
连拍超分
LSUN数据集（Large-Scale Scene Understanding）
不务正业的猿
06-03 1986
使用深度学习框架（如PyTorch或TensorFlow）时，用户可以按照框架的API文档读取训练图像和标签，进行模型的训练和测试。该数据集的设计初衷是为了满足深度学习和计算机视觉研究对大规模、多样性图像数据的需求，以训练出更准确、更强大的视觉模型。LSUN数据集中的图像通常以LMDB格式存储，这是一种高效的键值存储数据库格式，适用于大规模图像数据的存储和检索。用户需要注册账号并登录后，方可获取下载链接。LSUN数据集中的图像均为高分辨率，能够捕捉到更多的细节信息，有助于模型进行更精确的场景理解。
ACNet 开源项目教程
gitblog_01064的博客
08-08 713
ACNet 开源项目教程 ACNetACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks项目地址:https://gitcode.com/gh_mirrors/ac/ACNet 项目介绍 ACNet（Asymmetric Convolution Blocks）是一个...
神仙打架丨NTIRE2021视频超分挑战双赛道方案分享
WangsyHebut的博客
05-14 710
论文链接：https://arxiv.org/pdf/2104.14852.pdf 比赛链接：https://competitions.codalab.org/competitions/28051 译者言：NTIRE2021已于近日落下帷幕。BasicVSR++在VSR赛道摘得桂冠，同时它在Vid4的测试集中也突破了29dB的大关；OVSR模型在比赛中也有亮眼的表现，其他许多局部+全局的方案也取得了较高的PSNR值，可谓是神仙打架。相比之下，STSR赛道并没有特别突出的方法。下文将会回顾这场比赛中两个赛道对
NTIRE介绍和近年来超分SR结果展示
ytao_wang的博客
09-27 4965
对超分辨率比赛NTIRE2018到2020的基本信息与结果进行了介绍，同时展示了最近几年超分辨率SR在bicubic下采样上的超分结果，最后进行总结。
图片超分辨率python_薰风SR | NTIRE 2020 Real-World Image SR（真实世界图片超分辨率）
weixin_39625872的博客
11-25 1088
薰风说真实场景超分辨率是一个这几年非常活跃的研究子方向。真实场景的超分辨率其实分为三种类型：Non-blind SR：非盲超分辨率方法假设退化参数已知，通过对已知信息的利用对低分辨率输入图片进行超分恢复。Blind SR：盲超分辨率方法是在未知图像退化参数的情况下对低分辨率图片进行超分恢复。Unsupervised：无监督超分辨率方法不需要使用图片对训练模型，直接在单张图片上进行超分恢复。这个比赛...
Trident-Dehazing-Network：首个NTIRE 2020去雾挑战解决方案
总结来说，这一段描述向我们介绍了一个用于图像去雾的深度学习网络解决方案，它在NTIRE 2020 NonHomogeneous Dehazing Challenge竞赛中获得了关注，并提供了该方案的运行环境、依赖库、配置方法和模型使用等关键信息...
评论 5
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