图像超分论文阅读列表 super_resolution_paper_lists
文章目录
- 1. Up-sample operation
- Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network
- 2. Single image super resolution
- 2.1 2016 CVPR Accurate Image Super-Resolution Using Very Deep Convolutional Networks
- 2.2 2020 CVPR Learning Texture Transformer Network for Image Super-Resolution
- 3. Multi-frame image super resolution(including video)
- Introduction:
- 3.1 2019 CVPR EDVR: Video Restoration with Enhanced Deformable Convolutional Networks
reading paper lists of super resolution
本人github同步跟新:https://github.com/chenmeiya/super_resolution_paper_lists
1. Up-sample operation
Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network
论文链接:https://arxiv.org/pdf/1609.05158.pdf
超分任务,将低分辨率空间映射到高分辨率空间是必要操作。
- 前人采用的很多方法,如在网络前/中/后分别提升图像分辨率,一方面,增强之前上采样将提升分辨率;另一方面,直接使用bicubic的上采样方法没有引入额外的信息解决病态问题。
- 通过学习的方式实现上采样被广泛认为是更好的方式,然而却缺乏有效的提升分辨率的卷积层。
- 因此,文章提出一种有效的亚像素卷积方法,其实就是类似于以channel维度换取空间维度的方法,在最后一层估计的channel数目为上采样倍率的平方数scale^2,最后通过有偏移的叠加每一个维度获取高分辨率结果。
(PS:其实非常类似于多帧超分的原理,以2倍上采样为例,4帧图像若刚好为真实世界上下左右各偏移一个像素的结果,则可以直接还原出高分辨率结果)
2. Single image super resolution
2.1 2016 CVPR Accurate Image Super-Resolution Using Very Deep Convolutional Networks
论文链接:https://openaccess.thecvf.com/content_cvpr_2016/papers/Kim_Accurate_Image_Super-Resolution_CVPR_2016_paper.pdf
早期基于深度学习的图像超分辨方法,针对SRCNN提出改进
感受野:文章提出深的网络结构提升感受野,并证明 the deeper, the better
收敛性:增大学习率,提升收敛速度
超分因子:输入上插为目标分辨率,混合多个超分因子进行训练
2.2 2020 CVPR Learning Texture Transformer Network for Image Super-Resolution
论文链接:https://arxiv.org/pdf/2006.04139.pdf
代码链接:https://github.com/FuzhiYang/TTSR
Problem:有参考的单帧图像超分问题;
SOTA: 已有的方法通过高层语义知识(光流,分类任务)将高分辨率参考帧图像信息迁移到低分辨率图像超分中,作者认为这种方法不能有效的表达HR features.
Methods: 将LR 和 Ref的特征分别作为transformer的Qeury 和Key, 通过hard attention 和soft attention 的方式将HR特征迁移应用到LR图像超分中
Deeply think: 将LR和下采样后上采样的Ref图像分别作为Qeury 和Key,Q K点成的结构,计算了图像结构间的相似性,根据计算的相似性在HR图像中找到对应的特征,进而迁移到LR中实现超分。
3. Multi-frame image super resolution(including video)
Introduction:
Multi-frame image super-resolution algorithms based on deep learning almost include (feature extraction) alignment, fusion, and reconstruction, which are similar to traditional multi-frame methods consisting of alignment, fusion, and post-process. Due to the different alignment methods, there are two categories, including:
- implicitly align methods based on deformable convolutional network;
- explicitly align methods based on optical flow. It needs additional supervision or pretraining on other tasks
3.1 2019 CVPR EDVR: Video Restoration with Enhanced Deformable Convolutional Networks
论文链接:https://openaccess.thecvf.com/content_CVPRW_2019/papers/NTIRE/Wang_EDVR_Video_Restoration_With_Enhanced_Deformable_Convolutional_Networks_CVPRW_2019_paper.pdf
经典的视频超分方法,在NTIRE19 video restoration and enhancement challenges获得冠军。包括对齐、融合、重建三个部分。
- 输入:当前帧,前N帧,后N帧,共2N+1帧
- 对齐方法:金字塔式级联的可行变卷积网络实现隐式对齐。采用stride conv 下采样,每个level 都经过DCN(deformable convolution network),得到该level的feature 和offset,通过bilinear分别对feature和offset上采样给下一层使用.
- 融合方法:时空注意力机制。融合的目标, 一方面是克服相邻帧之间存在的遮挡、模糊和视差问题;另一方面是避免误对齐对后续的影响。因此评估待融合帧和参考帧之间的相似性是融合的关键。时域上,在特征中间计算每一帧相对参考帧的融合权重,根据权重进行融合;空域上,采用金字塔设计提升开给你剪感受野。
- 重建: 两阶段复原。级联一个轻量化版本的EDVR,用于解决严重的运动模糊并减轻输出帧的不一致性
图像超分论文阅读列表 super_resolution_paper_lists相关推荐
- 深度学习磁共振图像超分与重建论文阅读
深度学习磁共振图像超分与重建算法研究 Super-resolution reconstruction of MR image with a novel residual learning networ ...
- 【论文解读】图像超分最新记录!南洋理工提出图神经网络嵌入新思路,复原效果惊艳...
文章来源于极市平台,作者Happy paper: https://arxiv.org/abs/2006.16673 code: https://github.com/sczhou/IGNN(尚未开源) ...
- 【图像超分辨率】基于ResNet或GAN的遥感图像超分辨率论文
基于ResNet或GAN的遥感图像超分辨率论文 <空间感知残差网络的遥感图像超分辨率重建> 操作: 遥感图像特点: 网络模型: 去掉批处理层的原因: 具体操作 损失方程: <改进的残 ...
- 一点就分享系列(理解篇_4+实践篇_2)”干货-全网最简且全”的理解!2020年了!您只知道GAN?ECCV超分论文“IRN” 全家桶大放送!!
一点就分享系列(理解篇_4+实践篇_2)"最新干货"--2020 ECCV 超分论文之一"IRN"(更新中..) 最近开始了csdn坚持原创之旅,目前到了理解篇 ...
- 图像超分——Real-ESRGAN快速上手
契源 想必每个自媒体行业从业者都面临过这样一种情况:从网络上找到一张素材做封面,然而素材图片往往太模糊.那么,有没有办法对其进行高清修复呢?这就是计算机视觉领域的子领域图像超分所研究的主要问题. 在我 ...
- 《深度学习》图像超分初识
一:简介 图像超分(super-Resolution)是将低分辨率的图像或者视频序列恢复出高分辨率图像. 可以用在视频数字高清播放,视频监控,视频编码,图像还原和医学影像等领域,按照类别可分为单个图像 ...
- 图像超分辨率论文笔记
持续更新 Progressive Multi-Scale Residual Network for Single Image Super-Resolution 论文链接:https://arxiv.o ...
- 46FPS+1080Px2超分+手机NPU,arm提出一种基于重参数化思想的超高效图像超分方案
编辑:Happy 首发:AIWalker 本文是ARM的研究员在大分辨率图像超分方面的一次探索,它将重参数化思想嵌入到图像超分结构中,并结合手机NPU硬件性能对现有超分的性能进行的对比分析.在Arm ...
- 【达摩院OpenVI】AIGC技术在图像超分上的创新应用
团队模型.论文.博文.直播合集,点击此处浏览 一.背景 近10年来,深度学习技术得到了长足进步,在图像增强领域取得了显著的成果,尤其是以GAN为代表的生成式模型在图像复原.老片修复,图像超分辨率等方面 ...
最新文章
- 学会这门编程知识,可能决定你能进什么样的企业
- 剑指offer:合并两个排序的链表 python实现 合并K个排序的链表
- 用浏览器训练Tensorflow.js模型的18个技巧(上)
- 景切换的时候加上遮罩
- Memory与Merge特性
- (c语言)求满足表达式1+2+3+.......+n<=1000的最大的n
- bash脚本使用记录
- 全民战“疫”,ZStack ZCCT在线认证疫情期间免费开放!
- 仿药易通输入单位信息后如果没有则自动加入功能
- 按头安利!好看又实用的电机 SolidWorks模型素材看这里
- wifi网络摄像机怎么用 无线网络摄像机怎么连wifi
- 一部区块链创业者的“燃点” | 《8问》
- 工商银行网上支付开发
- [BUGKU] [REVERSE] 逆向入门
- 高效的中文字符串截取函数
- C++、高响应比优先算法
- 华为AREngine根据深度图获取深度信息
- 不权威的国产CPU发展历程
- DataTables+Ajax分页简单应用
- 既然选择了考研 便只顾风雨兼程
热门文章
- 合肥工业大学机械(专硕)考研上岸经验分享
- 企业信息安全不能大意,不提早防范容易中招——推荐导入ISO27001系列标准
- java中person作用_Java题目:建立一个人类(Person)和学生类(Student) 功能要求:
- 100%基于深度强化学习的对冲基金
- 算法导论--斐波那契堆
- Python获取用电情况数据-AHPU校园网
- Java实现百度地图距离计算
- 程序员找工作,应该怎么应对面试官?
- [转载]STL之priority_queue_彭世瑜_新浪博客
- python 利用高德地图定位小区名字