近年来超分结果对比

最新推荐文章于 2025-05-12 13:57:01 发布
最新推荐文章于 2025-05-12 13:57:01 发布
阅读量2.3k 收藏 27
点赞数 2
分类专栏： 医学图像超分辨率 图像高分辨率 文章标签： 深度学习 图像处理
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_46773169/article/details/109290839
版权
近几年图像超分辨率经典方法结果对比

BI degradation：bicubic退化，即将HR图像进行双三次插值，缩下S倍，生成LR图像。

Quantitative results with BI degradation model. Best and second best results are highlighted and underlined

MethodScaleparamsSet5Set14BSD100UrbanManga109
EDSRx240.7M38.11/.960233.92/.919532.32/.901332.93/.935139.10/.9773
RCANx215.4M38.27/.961434.14/.921632.41/.902733.34/.938439.44/.9786
SANx2-38.31/.962034.07/.921334.42/.902833.10/.937039.32/.9792
CSNLNx2-38.28/.961634.12/.922332.40/.902433.25/.938639.37/.9785
RFANetx2-38.26/.961534.16/.922032.41/.902633.33/.938939.44/.9783
HANx2-38.27/.961434.16/.921732.41/.902733.35/.938539.46/.9785
EBPNx2-38.35/.962034.24/.922632.47/.903333.52/.940239.62/.9802
IRNx21.66M43.99/.987140.79/.977841.32/.987639.92/.9865-
EDSRx3-34.65/.928030.52/.846229.25/.809328.80/.865334.17/.9476
RCANx3-34.74/.929930.65/.848229.32/.811129.09/.870234.44/.9499
SANx3-34.75/.930030.59/.847629.33/.811228.93/.867134.30/.9496
CSNLNx3-34.74/.930030.66/.848229.33/.810529.13/.871234.45/.9502
RFANetx3-34.79/.930030.67/.848729.34/.811529.15/.872034.59/.9506
HANx3-34.75/.929930.67/.848329.32/.811029.10/.870534.48/.9500
EBPNx3------
IRNx3------
EDSRx443.1M32.46/.896828.80/.787627.71/.742026.64/.803331.02/.9148
RCANx415.6M32.63/.900228.87/.788927.77/.743626.82/.808731.22/.9173
SANx415.7M32.64/.900328.92/.788827.78/.734626.79/.806831.18/.9169
CSNLNx43M32.68/.900428.95/.788827.80/.743927.22/.816831.43/.9201
RFANetx4~11M32.66/.900428.88/.789427.79/.744226.92/.811231.41/.9187
HANx4-32.64/.900228.90/.789027.80/.744226.85/.809431.42/.9177
EBPNx4~7M32.79/.903229.01/.790327.85/.746427.03/.811431.53/.9198
IRNx44.35M36.19/.945132.67/.901531.64/.882631.41/.9157-

对IRN，作者用高分辨率HR图像进行输入，而不是真实情况下的低分辨率LR图像，用后者输入时，性能会降低，具体见后续的“IRN性能提升检验”介绍。


论文简介和链接

论文笔记：

  1. CVPR2020超分辨率方向论文整理笔记
  2. ECCV2020超分辨率方向论文整理笔记
  3. ICCV2019超分辨率方向论文整理笔记

  • EDSR：Enhanced Deep Residual Networks for Single Image Super-Resolution，paper，code

    NTIRE2017超分冠军方案，使用增强的ResNet，去除Batch Norm。

  • RCAN：Image Super-Resolution Using Very Deep Residual Channel Attention Networks，paper，code

    ECCV2018超分冠军方案，EDSR的改进，加入通道注意力。

  • SAN：Second-Order Attention Network for Single Image Super-Resolution，paper，code

    CVPR2019，RCAN的改进，使用二阶注意力。

  • CSNLN：Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining，paper，code

    CVPR2020，网络新基本块：跨尺度非局部注意力块和自样本挖掘机制。

  • RFANet：Residual Feature Aggregation Network for Image Super-Resolution，paper

    CVPR2020，网络框架基于EDSR，其将EDSR中多个残差块加入块间的残差连接，然后加入空间注意力模块，性能超过了RCAN和SAN。

  • HAN：Single Image Super-Resolution via a Holistic Attention Network，paper

    ECCV2020，全注意力机制：层、通道和位置的整体相互依赖关系进行建模。

  • EBPN：Embedded Block Residual Network: A Recursive Restoration Model for Single-Image Super-Resolution，paper

    ICCV2020，两分支的嵌入残差模块：分别恢复低频和高频信息，并将前层难以恢复的信息传入更深的层进行恢复。

  • IRN：Invertible Image Rescaling，paper，code

    ECCV2020，可逆神经网络，将HR经小波变换分解为低频分量和高频分量作为网络的输入，网络生成潜在分布和多个LR图像，然后以此再逆变换重建HR图像，性能提升极大。


另外几篇可参考的相关论文

CVPR2020

DRN：Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution，paper，code

​ 闭环问题：双监督方案。HR图像监督生成的SR图像，SR图像反过来受到LR图像监督。

UDVD：Unified Dynamic Convolutional Network for Super-Resolution with Variational Degradations，paper

​ 参考SRMD，训练数据重制作，LR图像包含多种降质；动态滤波器，多级损失。

ECCV2020

CDC：Component Divide-and-Conquer for Real-World Image Super-Resolution，paper，code

​ 注意力机制改进：注意力组件分而治之。构建三个分别与平面，边缘和角相关联的组件注意力块实现真实世界的图像超分辨率。

LatticeNet：LatticeNet: Towards Lightweight Image Super-resolution with Lattice Block，paper

​ 轻量级晶格网络：双支路特征提取基本块，反向级联融合策略。

Learning with Privileged Information for Efficient Image Super-Resolution，paper，code

​ 教师/学生网络：以HR图像信息指导学生网络的学习。

ICCV2020

KMSR：Kernel Modeling Super-Resolution on Real Low-Resolution Images，paper，code

​ 模糊核估计：用GAN估计HR的模糊核池，低质的HR同尺寸图像作为CNN网络的输入。

Wavelet Domain Style Transfer for an Effective Perception-distortion Tradeoff in Single Image Super-Resolution，paper

​ 小波变换：将低质高感知图像，高感知低质的图像分别进行小波变换，生成高质高感知的图像。


【图像超分】论文精读：Real-World Super-Resolution via Kernel Estimation and Noise Injection（RealSR）
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】
05-03 671
最近最先进的超分辨率方法在理想数据集上取得了令人印象深刻的性能，而不管模糊和噪声。然而，这些方法在现实世界的图像超分辨率中总是失败，因为它们大多采用来自高质量图像的简单双三次下采样来构建低分辨率 (LR) 和高分辨率 (HR) 对进行训练，这可能会失去频率相关细节的轨迹。为了解决这个问题，我们专注于通过估计各种模糊核和真实噪声分布来为真实世界的图像设计一个新的退化框架。基于我们新颖的退化框架，我们可以获得与真实图像共享公共域的 LR 图像。然后，我们提出了一个旨在更好感知的真实超分辨率模型。对合成噪声数据和
【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 36
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。
[NTIRE 2022]Residual Local Feature Network for Efficient Super-Resolution
hbw136的博客
05-31 2775
Residual Local Feature Network for Efficient Super-Resolution (用于高效超分辨率的残差特征局部网络) NTIRE 2022 *图像修复领域最具影响力的国际顶级赛事——New Trends in Image Restoration and Enhancement（NTIRE） 作者：Fangyuan Kong* Mingxi Li∗ Songwei Liu∗ Ding Liu Jingwen He Yang Bai Fangm.
比SRCNN效果好的传统超分辨率算法汇总
weixin_30773135的博客
03-13 778
1、基于深度协作表达的人脸图像超分辨率算法研究与应用_百度学术 采用一种深度协作表达算法框架，构造深度的多线性模型分段拟合高低分辨率图像块之间的非线性关系，本文算法简洁高效，提供了一种新的深度学习模型，实验表明本文算法相比传统基于表达的算法和基于卷积神经网络的人脸超分辨率算法具有更好的主客观重建质量。 通过留一策略更新每个层的低分辨率人脸图像训练集。 采用一种自适应加权协作表达...
对目前的超分网络特点进行总结，不能与网上的内容重复。
weixin_35757531的博客
12-26 504
超分网络(Super-Resolution Network)是一类用于图像超分辨率重建的神经网络。它的目的是将低分辨率的图像放大到高分辨率，从而增强图像的清晰度和细节。 目前的超分网络主要有以下几个特点： 利用多层网络结构进行特征提取：超分网络通常采用卷积神经网络(CNN)或双流网络(FlowNet)作为模型的基础，通过多层网络结构提取图像的特征。 引入多种辅助损失函数来提高精度：为了提高超分...
【多尺度增强网络：超分】
weixin_43690932的博客
09-14 771
（基于多尺度增强网络的遥感图像超分辨率）近年来，遥感图像因其特殊的价值而引起了人们的广泛关注。然而，卫星遥感图像通常是低分辨率的，因此遥感图像与普通数字图像相比难以推断高频细节，这意味着它们不能满足某些下游任务的需要。我们提出了一个（MEN），它使用遥感图像的多尺度特征，以提高网络的重建能力。具体地，网络提取LR遥感图像的粗糙特征使用卷积层。然后，这些特征被馈送到该网络提出的多尺度增强模块（MEM），该模块，最后，由重建模块生成最终的重建图像。
图像超分经典网络 SRGAN精确解析
qq_42262610的博客
11-02 4211
早期超分辨率方法的优化目标都是降低低清图像和高清图像之间的均方误差。降低均方误差，确实让增强图像和原高清图像的相似度更高。但是，图像的相似度指标高并不能代表图像的增强质量就很高。为什么 SRGAN 的增强结果那么清楚呢？这是因为 SRGAN 使用了一套新的优化目标。SRGAN 使用的损失函数既包括了 GAN 误差，也包括了感知误差。这套新的优化目标能够让网络生成看起来更清楚的图片，而不仅仅是和原高清图像相似度更高的图片。
神经网络模型在图像超分领域的应用研究.pdf
09-25
近年来，随着深度学习的崛起，神经网络模型在图像超分领域取得了显著的进步。 本文重点介绍了三种神经网络模型在图像超分中的应用：快速超分辨率卷积神经网络（Fast Super-Resolution Convolutional Neural Network...
【图像超分】论文精读：Large Kernel Distillation Network for Efficient Single Image Super-Resolution（LKDN）
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】
05-12 37
本文介绍了一种用于高效单幅图像超分辨率（SISR）的大核蒸馏网络（LKDN）。该网络通过简化模型结构、引入更有效的大核注意力模块（LKA）以及采用重新参数化技术，显著降低了计算成本并提升了性能。LKDN基于BSRN模型，通过减少冗余模块和优化注意力机制，实现了更高的计算效率。此外，LKDN引入了Adan优化器，进一步提高了训练速度和模型性能。实验结果表明，LKDN在轻量级SR任务中表现优异，超越了现有的高效SR方法，达到了最先进的性能。本文的主要贡献包括简化模型结构、引入高效的注意力模块、使用重新参数化技术
【图像超分】论文精读：Using Deep Learning Super-Resolution for Improved Segmentation of SEM Biofilm Images
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】
08-10 261
论文题目：Using Deep Learning Super-Resolution for Improved Segmentation of SEM Biofilm Images —— 利用深度学习超分辨率改进SEM生物膜图像分割Bibm 2022！利用超分提升SEM生物图像分割效果扫描电子显微镜(SEM)图像通过提供关于生物膜形成、超微结构、细胞及其与材料相互作用的详细信息，在材料生物膜的定量分析中起着至关重要的作用。
srcnn fsrcnn espcn rdn超分网络的结构
tony365的博客
09-14 1288
训练数据：一张原始图作为高分辨率图像（h, w），先下采样到（h/2, w/2）,然后再cubic上采样到（h, w）得到低分辨率图像， 该网络只处理Y通道图像， 训练的时候patch_size 默认设为33。最后一层是反卷积层，进行图像尺寸的放大，因此前面层的训练参数可以共享，不同的分辨率放大倍数，只需要对 反卷积层微调即可，不同放大倍数反卷积层的stride有差异。4）Fsrcnn除了反卷积层，其他层对于2x,3x,4x的训练参数是可以共享的，因此可以加速训练和测试。数据集制作方法：以x2为例。
超分辨率技术:Adobe Photoshop与深度神经网络对比
deephub
03-28 5514
与领先的超分辨率深度神经网络模型相比，Adobe的超分辨率有多有效?这篇文章试图评估这一点，Adobe的超级分辨率的结果非常令人印象深刻。 超分辨率技术 超分辨率是通过提高图像的视分辨率来提高图像质量的过程。拥有一种算法，可以有效地想象出在更高分辨率的图像中将会出现的细节。 有很多正面评论描述了Adobe Photoshop的Super Resolution的出色表现，例如“ Made My Jaw Hit the Floor”。 在超分辨率方面进行了多年的研究和试验之后，我想对图像分辨率增强和实际图像质量
超分辨论文阅读笔记：SAN
weixin_44712669的博客
12-11 3957
SAN摘要：基于CNN的超分辨方法虽然取得了最好的结果，但此类方法关注更宽或更深的结构设计，忽略了中间层特征之间的关系，这篇文章提出二阶注意力网络，达到更强的特征表达和特征关系学习。本文开发了一种新的二阶通道注意力模块，能够自适应的调整通道特征来获得更有区别性的表示，另外，本文提出了一种非局部残差加强结构，不仅包含了非局部操作而且有多个局部信息注意力块。
遥感图像超分辨重建综述
热门推荐
liang0502的博客
06-21 1万+
遥感图像超分辨重建
【超分综述】
weixin_43690932的博客
01-13 2373
仅供自己参考
论文解读: | (CVPR2019)《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels》
RaySunWHUT
12-06 5603
论文解读：《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels》 首先，奉上论文和代码： 论文链接: Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels 代码链接: https://github.com/cszn/DPSR Introduction ...
OCR——图像超分调研
qq_40206924的博客
09-16 2132
能够隐式地学习图像的先验知识，并利用学习到的先验知识生成效果更好的超分辨率图像。该类方法中经典的包括 SRCNN、ESPCN、VDSR、DRCN、DRRN、EDSR、SRGAN、ESRGAN、RDN、WDSR、LapSRN、RCAN、SAN、IGNN、SwinIR等。基于学习的图像超分辨率重建算法在重建结果上取得了远超传统算法的优势，但由于对硬件设备和处理时间的高要求导致这些算法中被实际应用的寥寥无几。估计退化模型就是在对图像进行超分辨率重建的同时，从低分辨率图像中估计图像的运动信息、模糊信息和噪声信息。
(RCAN-it)Revisiting RCAN: Improved Training for Image Super-Resolution (重温 RCAN：改进图像超分辨率训练策略)
hbw136的博客
03-18 4580
作者重新研究了RCAN，并证明了通过适当的训练策略，可以缓解欠拟合问题，并大幅提高RCAN的图像超分辨率性能。
超分算法小合集之SRCNN、DCSCN、SRDenseNet、SRGAN
qq_45122568的博客
03-20 8845
阅读指引SRCNNDCSCNSRDenseNetSRGAN 论文快速指引： SRCNN：Learning a Deep Convolutional Network for Image Super-Resolution DCSCN：Fast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Network SRDenseNet：Image Super-Resolution Using Dens
超分算法
03-18
<think>好的，我现在需要回答用户关于超分算法实现原理和超分辨率重建算法的问题。首先，我得理解用户的需求。用户提到了参考的四个引用，涉及不同的算法如SRCNN、POCS以及深度学习方法。用户可能希望了解这些算法的基本原理，以及如何实现它们。 首先，我应该明确超分辨率重建的基本概念。超分辨率重建是通过算法从低分辨率图像恢复高分辨率图像的过程。这可以分为传统方法和基于深度学习的方法。传统方法可能包括插值、基于重建的方法如POCS，以及基于学习的方法如稀疏编码。而深度学习方法如SRCNN、ESPCN、EDSR等则是近年来主流的方法。 接下来，我需要整理每个引用中的信息。引用1提到深度学习模型在超分中的应用，提高了质量但需要大量资源。引用2详细介绍了SRCNN算法，说明其是端到端的CNN方法。引用3讨论了POCS算法，使用迭代和约束集来重建图像。引用4指出深度学习方法的挑战，如模型复杂度和计算资源需求。 用户的问题包括实现原理和算法细节，所以需要分点解释传统方法和深度学习方法，并举例说明几个关键算法如SRCNN和POCS。同时，要结合引用中的信息，比如SRCNN的结构、POCS的迭代过程，以及深度学习方法的优缺点。 需要注意回答的结构要清晰，分步骤解释，并且符合用户要求的格式，如使用中文，数学公式用$...$，独立公式用$$...$$。此外，要生成相关问题，并正确添加引用标识。 现在需要确保覆盖以下几点： 1. 超分辨率重建的定义和应用场景。 2. 传统算法：插值法、POCS算法（引用3）、逆滤波（引用1）。 3. 深度学习方法：SRCNN（引用2、4）、其他模型如ESPCN、EDSR。 4. 实现原理，包括数学公式和网络结构。 5. 优缺点比较，引用中的挑战如计算资源（引用1、4）、PSNR评估（引用3）。 6. 提供代码示例，可能来自引用2或4。 7. 生成相关问题。 需要检查是否有遗漏的引用内容，并正确标注引用标识。例如，在讨论POCS算法时引用[^3]，SRCNN引用[^2][^4]，深度学习挑战引用[^1]。 然后，编写回答部分，确保每个算法部分都有对应的原理和公式。例如，SRCNN的三层卷积结构可以用数学公式表示，POCS的迭代公式使用$$...$$。代码部分选取SRCNN的简单示例，如引用2中的MATLAB或引用4的Python代码，但用户提供的引用中没有具体代码，可能需要用伪代码或结构描述。 最后，生成相关问题，涵盖传统与深度方法、评估指标、优化方向、计算资源挑战等，参考用户提供的示例问题的结构。 需要确保所有引用都正确标注，没有格式错误，数学公式正确使用LaTeX，如$y = W_1 * x + b_1$，以及独立公式： $$ x^{(k+1)} = P_C \left( x^{(k)} + \lambda (y - H x^{(k)}) \right) $$ 总结后，组织成用户要求的层次结构，分步骤说明，保持语言口语化但专业，避免使用Markdown格式，仅使用换行和段落分隔。</think>### 超分辨率重建算法实现原理 超分辨率重建（Super-Resolution, SR）是通过算法从低分辨率（LR）图像恢复高分辨率（HR）图像的过程，核心原理包括**插值优化**、**频域重建**和**深度学习映射**。以下是关键实现方法： --- #### 一、传统算法 1. **插值法** 通过双线性或双三次插值直接放大图像，但会导致模糊。例如，双三次插值公式为： $$f(x,y) = \sum_{i=0}^3 \sum_{j=0}^3 a_{ij} x^i y^j$$ 其局限性在于无法恢复高频细节。 2. **基于重建的方法** - **POCS算法（凸集投影）** 通过迭代约束（如平滑性、非负性）逼近真实图像。迭代公式为： $$x^{(k+1)} = P_C \left( x^{(k)} + \lambda (y - H x^{(k)}) \right)$$ 其中$H$为退化模型，$P_C$为投影到约束集的操作。实验显示其PSNR提升显著。 - **逆滤波复原** 通过频域逆滤波补偿退化，但易受噪声放大影响。 --- #### 二、深度学习方法 1. **SRCNN（超分辨率卷积神经网络）** - **结构**：三层卷积网络（特征提取→非线性映射→重建）。数学表达为： $$F(y) = W_2 * \sigma(W_1 * y + b_1) + b_2$$ 其中$W_i$为卷积核，$\sigma$为ReLU激活函数[^2]。 - **优势**：端到端映射，无需人工设计特征，重建质量高。 2. **ESPCN（高效子像素卷积）** 在LR空间提取特征，最后通过子像素卷积层放大图像，减少计算量。 3. **EDSR（增强深度残差网络）** 去除冗余模块（如批归一化），通过残差学习提升性能，但参数量较大。 --- #### 三、关键挑战与优化 1. **计算资源**：深度模型需大量GPU资源训练。 2. **纹理细节**：像素级损失易导致图像过平滑，需结合对抗损失（如GAN）。 3. **实时性**：轻量化设计（如MobileNet）可部署到移动设备。 --- #### 四、代码示例（SRCNN简化版） ```python import tensorflow as tf def srcnn_model(input_shape=(32, 32, 1)): model = tf.keras.Sequential([ tf.keras.layers.Conv2D(64, 9, activation='relu', padding='same', input_shape=input_shape), tf.keras.layers.Conv2D(32, 1, activation='relu', padding='same'), tf.keras.layers.Conv2D(1, 5, padding='same') ]) model.compile(optimizer='adam', loss='mse') return model ``` ---
评论
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