超分辨率论文CVPR-Kai Zhang

半世苍凉 提交于 2021-02-02 04:58:42

深度学习与传统方法结合的超分辨率:Kai Zhang

1、

(CVPR, 2019)

Deep Plug-and-Play Super-Resolution for Arbitrary https://github.com/cszn/DPSR

 

 

2、

(CVPR, 2017)

Learning Deep CNN Denoiser Prior for Image Restoration https://github.com/cszn/IRCNN 论文

Learning Deep CNN Denoiser Prior

Experiments:Image Denoising、Image Deblurring、Single Image Super-Resolution

 

3、CVPR论文 | 如何处理多种退化类型的卷积超分辨率?作者:张凯 ,2018-07-24

SRMD 论文链接  Learning a Single Convolutional Super-Resolution Network for Multiple Degradations

阿里巴巴达摩院机器智能技术实验室

 

提出了一种简单、有效、可扩展的超分辨率模型,其不仅可以处理bicubic降采样退化模型,并且可以处理多个甚至是退化空间不均匀的退化类型,为SISR实际应用提供了一种解决方案。

 

基于判别学习的方法尤其是基于CNN的方法因其速度快、可以端对端的学习因而效果好等在近几年受到了广泛关注,并且逐渐成为解决SISR的主流方法。

自从首个用CNN解决SISR的工作SRCNN在ECCV(2014)发表以来,各种不同的改进方法相继提出。例如,VDSR在PSNR指标上取得了非常大的提升;ESPCN和FSRCNN分别在速度上进行了改进;SRGAN在放大倍数较大情况下针对视觉效果的改善提出了有效的方法。

然而这些方法都存在一个共同缺点,也就是它们只考虑双三次(bicubic)降采样退化模型并且不能灵活地将其模型扩展到同时(非盲)处理其它退化类型。由于真实图像的退化过程多种多样,因而此类方法的有效实际应用场景非常有限。

一些SISR工作已经指出图像退化过程中的模糊核的准确性对SISR起着至关重要的作用,然而并没有基于CNN的相关工作将模糊核等因素考虑在内。为此引出本文主要解决的问题:是否可以设计一个非盲超分辨率(non-blind SISR)模型用以解决不同的图像退化类型?

 

非盲SISR应该将退化模型中的模糊核和噪声水平也作为网络的输入。然而LR图像、模糊核和噪声水平三者的维度是不同的,因此不能直接作为CNN的输入。

维度拉伸策略,张量称之为退化图(Degradation Maps)。

将退化图和LR图像合并在一起作为CNN的输入。

 

【转载自】

阿里巴巴Poster论文:处理多种退化类型的卷积超分辨率 | CVPR 2018-创头条 http://www.ctoutiao.com/719745.html

CVPR论文 | 如何处理多种退化类型的卷积超分辨率?-云栖社区-阿里云 https://yq.aliyun.com/articles/690790

【论文分析细节】

基于深度学习的图像去噪暨SRMD论文阅读笔记 - gwpscut的博客 - CSDN博客 https://blog.csdn.net/gwplovekimi/article/details/85043579

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!