图像超分中有影响力的论文及最新的超分算法资源链接

最新推荐文章于 2025-05-11 15:50:40 发布
原创 最新推荐文章于 2025-05-11 15:50:40 发布 · 1.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
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。

该项目提供了一个基于深度学习的单幅图像超分辨率算法实现，通过训练模型将低分辨率图像转换为高分辨率图像，适用于图像增强和复原场景。
【图像超分】论文精读：Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars
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】
04-20 2013
基于深度卷积的单幅图像超分辨率(SISR)网络包含了从大规模外部图像资源中学习局部恢复的好处，但现有的研究大多忽略了自然图像中的远程特征相似性。最近的一些工作通过探索非局部注意模块成功地利用了这种内在特征相关性。然而，目前的深度模型都没有研究图像的另一个固有属性：跨尺度特征相关性。在本文中，我们提出了第一个跨尺度非局部 (CS-NL) 注意力模块，并集成到循环神经网络中。通过将新的 CS-NL 先验与强大的循环融合单元中的局部和尺度内非局部先验相结合，我们可以在单个低分辨率 (LR) 图像中找到更多的跨尺度
【图像超分】论文精读：Image Super-Resolution via Dual-State Recurrent Networks（DSRN）
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】
04-18 1989
图像超分辨率 (SR) 的进步最近显着受益于深度神经网络的快速发展。受这些最近发现的启发，我们注意到许多最先进的深度 SR 架构可以重新表述为具有有限展开的单状态循环神经网络 (RNN)。在本文中，我们基于这种紧凑的 RNN 视图探索了 SR 的新结构，从而产生了双状态设计、双状态循环网络 (DSRN)。与在固定空间分辨率下运行的单态对应物相比，DSRN 联合利用了低分辨率 (LR) 和高分辨率 (HR) 信号。通过延迟反馈在两个方向（LR 到 HR 和 HR 到 LR）之间交换循环信号。对基准数据集和最近
图像超分入门必备：2019CVPR图像超分论文集合免费资源
01-02
包括2019CVPR图像超分论文集合以及论文解读&代码链接 个人整理，点个赞呗~
常用的超分算法
weixin_43271137的博客
05-25 8772
它通过利用图像中的信息和先验知识，推测和还原图像中丢失的细节，从而增加图像的清晰度和细节级别。基于深度学习的超分算法利用卷积神经网络（Convolutional Neural Networks，CNN）等深度学习模型，通过学习从低分辨率图像到高分辨率图像的映射关系，实现图像的超分辨率重建。这些基于深度学习的方法通过大规模的训练数据和复杂的网络结构，能够学习到图像的映射关系，并生成高质量的超分辨率图像。通过学习边缘的生成模型，可以推断高分辨率图像中的边缘位置和形状，从而实现图像的超分辨率重建。
OpenStack中的CPU与内存超分详解
热门推荐
zyqash的博客
04-26 1万+
超分通常指的是CPU或者GPU的分区或者分割，以在一个物理CPU或GPU内模拟多个逻辑CPU或GPU的功能。这种技术通常被称为虚拟化，允许多个操作系统或者应用程序在同一物理硬件上同时运行，从而提高了资源利用率和系统性能。在CPU超分方面，一种常见的技术是使用硬件虚拟化，例如Intel的虚拟化技术（VT-x）或AMD的虚拟化技术（AMD-V）。这些技术可以允许多个虚拟机在同一物理CPU上运行，并为每个虚拟机提供虚拟化的CPU、内存和I/O设备。
图像超分入门必备：2020CVPR图像超分论文集合
01-02
包括论文原文以及论文解读
超分论文综述（ DualCNN，Deep SR-ITM ，DSGAN）
一一
12-11 2717
论文来源： [1] Pan, J., Liu, S., Sun, D., Zhang, J., Liu, Y., Ren, J., ... & Yang, M. H. (2018). Learning dual convolutional neural networks for low-level vision. InProceedings of the IEEE conferenc...
【图像超分】论文精读：SRResNet/SRGAN
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】
03-29 8006
尽管使用更快更深的卷积神经网络在单幅图像超分辨率的准确性和速度方面取得了突破，但一个中心问题在很大程度上仍未解决：当我们在大型放大因子上超分辨率时，我们如何恢复更精细的纹理细节。基于优化的超分辨率方法的行为主要是由目标函数的选择驱动的。最近的工作主要集中在最小化均方重建误差上。生成的估计具有较高的峰值信噪比，但它们通常缺乏高频细节，并且在感知上不令人满意，因为它们无法匹配更高分辨率的保真度。在本文中，我们提出了SRGAN，一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知，这是第一个能够为4×
【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
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】
03-26 9414
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
【图像超分】论文精读：Dual Aggregation Transformer for Image Super-Resolution（DAT）
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】
05-11 425
论文《Dual Aggregation Transformer for Image Super-Resolution》提出了一种新的图像超分辨率模型——双聚合Transformer（DAT）。该模型通过结合空间和通道维度的自注意力机制，提升了图像超分辨率的性能。DAT的核心设计包括：1）在连续的Transformer块中交替应用空间和通道自注意力，实现块间特征聚合；2）提出了自适应交互模块（AIM）和空间门前馈网络（SGFN），用于块内特征聚合。AIM通过空间交互和通道交互增强自注意力机制，而SGFN在前馈
DRCN超分论文，ppt和代码
12-22
2016论文，全部实现过程。利用RNN做图像块特征的映射。网络分为三个部分，第一部分提取图像特征，第二部分做图像块之间的映射，第三部分做图像的重建。
SRCNN图像超分CNN
01-23
CNN用于图像超分辨率的开山之作，代码是基于Caffe写的，可方便用在图像超分应用中
学术报告—人脸超分+BING方法
09-22
此PPT介绍了人脸超分的三种方法：NE、NFL和结构化人脸超分，以及目前比较流行的程明明的一般物体检测的BING方法，供大家参考一下。。
图像超分Super-Resolution论文汇总
m0_53935448的博客
07-08 510
论文题目：Designing a Practical Degradation Model for Deep Blind Image Super-Resolution。论文题目：Swift Parameter-free Attention Network for Efficient Super-Resolution。代码：https: //github.com/hongyuanyu/span。亮点：提出基于HR图像人工合成LR图像的大规模退化模型。
超分论文阅读（Image Super-Resolution Using Very Deep Residual Channel Attention Networks）
争取每天记录一点点~
10-10 562
Image Super-Resolution Using Very Deep Residual Channel Attention Networks
Depth super resolution 论文及代码汇总，持续更新中~~
不忘初心~
03-14 1565
depth super resolution
图像超分论文阅读列表 super_resolution_paper_lists
zseqsc_asd的博客
04-01 2698
文章目录Up-sample operation[Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network](https://arxiv.org/pdf/1609.05158.pdf)Single image super resolution[2016 CVPR Accurate Image Super-Resolution Using Very Dee
理解超分重建--总结调研 | 超分论文-专栏特享 | 【❤️订阅专栏之后必看博文❤️】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
04-20 1189
上述精简内容 – 主要参考文章 – 原文排版很好看–建议去看一下 超分重建简介 一篇2020年的超分综述 Deep Learning for Image Super-resolution: A Survey 2020年 - - 20 + 超分论文 + 视频超分论文 所做分享，有序自取，请勿随意传播，感谢尊重和理解 ...
经典超分论文总结5
longshaonihaoa的博客
12-21 2984
继续膜拜xintao wang大佬，大佬到了腾讯后更是杀疯了，之前在港中文中的两篇worshop被引爆炸，现在要中就中正刊。本文介绍最新的GFPGAN和Real-ESRGAN，都是SISR和盲超分。 4、GFPGAN：Towards Real-World Blind Face Restoration with Generative Facial Prior (CVPR 2021) 本篇论文专著于人脸的超分，效果我愿称之为最强。话不多说，先上张对比看看 4.1 摘要 盲超分通常需要脸部先验（脸部几何先验或参
图像超分的sci2区期刊有哪些
02-07
Pattern Recognition 是计算机视觉与模式识别方向的重要学术资源，接受有关机器学习应用于各类感知任务中的高质量论文，当然也包括那些致力于提升低质量图片清晰度的方法论探讨[^2]。 #### Signal Processing: ...
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