图像超分辨率：Quality Assessment of Image Super-Resolution: Balancing Deterministic and Statistical Fidelit

最新推荐文章于 2024-09-28 10:00:00 发布
原创 最新推荐文章于 2024-09-28 10:00:00 发布 · 1.2k 阅读 · 18 ·
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。
文章标签：

#pytorch #深度学习

本文探讨了图像超分辨率（SR）的质量评估，提出结合确定性（DF）和统计真实性（SF）的双维度评价方法。通过Gaussian和Laplacian金字塔分析DF和SF，利用SSIM和KL散度测量结构相似度和分布一致性。作者指出单纯加权平均不是最佳融合策略，因为质量度量受内容影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

8.Quality Assessment of Image Super-Resolution: Balancing Deterministic and Statistical Fidelity

8.1.目的是为了研究SR图像的质量评价

作者提出两个属性， deterministic fidelity 和 statistaical fidelity。
前者会更加保守，准确，比如传统的超分算法以及CNN的超分算法。
后者描述的是 统计性的真实度，比如GAN算法，生成的图像会有更多细节，但是也容易引起aitifact.

我的理解就是真实度 和 生动度

在这里插入图片描述

图像SR是一个不适定的逆问题，因为对于任何给定的单个输入LR图像，都存在许多合法的SR图像解。因此如何评价超分算法生成的图像质量，需要更多的分析。一般来说 psnr, ssim 等是描述真实度的。文章第二章列举了很多图像质量的评价方法，有兴趣的可以去研究。

8.2.整体方案

感知确定性和统计保真度因尺度而异，因此我们首先对参考图像和失真图像应用多分辨率分解。具体地说，我们应用了一个三级高斯-拉普拉斯金字塔分解。

  1. 原图首先 Gaussian low pass filter 和 下采样得到 G l G_l Gl​, l = 1 , 2 , 3... l = 1,2,3... l=1,
最低0.47元/天 解锁文章
【图像超分辨（SR）】图像超分辨领域一些英文名词最通俗的中文解释
qq_43426078的博客
03-02 4611
博主算是刚入超分辨的坑没多久，自己在看论文的时候，会遇到很多名词，拆开来每个单词我都认识，但是组合起来就是不知道他在讲什么...... 最难受的是很多名词都缺乏中文（甚至英文）的解释。可能刚入门的时候要知道某个名词（词组）是在说什么都要花很多时间去查去考证。我想很多朋友可能都有过类似的经历。 写这篇博客的目的一方面是记录一下自己查过的名词，方便以后查阅。另一方面是给很多和我一样还在入坑中的或者比我入坑要晚的小伙伴一点便利。博文会持续更新。
【图像超分辨（SR）】通俗直观彻底理解双线性插值、双三次插值及其作用
qq_43426078的博客
02-11 6994
写在前面的一点话 网上讲解基本双线性插值、双三次线性插值的文章很多，但大部分都是只在讲为什么是这样，并不算非常通俗（起码对我来说需要额外查很多资料来补充理解）。很少有文章能够给初学者一些比较直观的理解，因此在经过痛苦的学习过程后，希望把自己的一点理解分享给大家。（如有错误欢迎讨论指正） 在讲细节之前，我们要先明白插值的作用是什么 插值简单来说就是resize，改变图像的尺寸（不是简单的成比例扩大和缩小，可以理解为基于旧图片生成新的图片，总像素数量发生变化）。这样就意味着，插值实际上可以实现两种功能：upsc
【图像评价】几种图像质量评价方法及其实现案例
G_redsky的博客
02-27 1万+
这些文献涵盖了从传统的峰值信噪比（PSNR）和结构相似性（SSIM）指数到更现代的无参考（NR）图像质量评估方法。因此，虽然主观质量评价方法在某些情况下（如新算法开发的初步评估）仍然具有重要作用，但在实际应用中往往需要结合客观质量评价指标，以提高评价效率和准确性。：当前的客观评价方法通常无法理解图像内容的上下文意义，例如，一个在艺术摄影中可接受的噪声水平可能在医疗成像中是不可接受的。：训练得到的客观评价模型可能在未见过的数据上表现不佳，尤其是在图像内容和失真类型多样化的情况下。
图像处理入门：SR超分辨率——基于深度学习
m0_64419944的博客
12-25 4359
本文将重点关注SRCNN和VDSR两种经典深度学习模型。我们将深入探讨它们的原理、网络结构和实际应用，根据相关资源复现模型并测试其处理效果。我们同时会提供相关文章、代码链接，以便读者实践。
图像超分辨率（SR）
最新发布
qq_34717531的博客
09-28 1372
4）方法：本文引入一种新的一步SR模型，显著解决了基于扩散的SR方法的效率问题。3）背景：尽管基于扩散的超分辨率方法依赖大型预训练的文本到图像扩散模型取得了显著成功，但仍面临两个挑战：需要大量采样步骤以获得满意结果，从而限制了在实际场景中的效率；：如双线性、双三次和Lanczos插值，这些方法通过数学公式计算低分辨率图像中的像素点周围的新像素值，是最简单也是最初级的SR技术。图像超分辨率技术通过提高图像分辨率，为多种应用领域提供了重要的技术支持，极大地扩展了图像的使用场景和价值。2）应用：图像超分辨率。
【CVPR2022】论文列表与下载——PartTwo
TomRen
06-12 2673
CVPR2022完整论文列表
【CVPR2022】论文列表与下载——PartFour
TomRen
06-12 3249
【CVPR2022】完整论文列表
计算机、机器视觉、图像处理顶级会议的最佳论文Best Paper Awards in Computer Science
机器视觉、图像处理、OpenCV
11-12 7741
BestPaper Awards in Computer Science (since 1996) By Conference:   AAAI   ACL   CHI   CIKM   CVPR   FOCS   FSE   ICCV   ICML   ICSE   IJCAI   INFOCOM  KDD  NSDI   OSDI   PLDI   PODS
历年计算机科学领域中各大顶会的获奖文章 ICCV、AAAI、CVPR...
ghw15221836342的博客
01-12 5012
Original address: https://jeffhuang.com/best_paper_awards.html By Conference:   AAAI   ACL   CHI   CIKM   CVPR   FOCS   FSE   ICCV   ICML   ICSE   IJCAI   INFOCOM   KDD   MOBICOM   NSDI   OSDI   PLDI...
【数字图像处理3 】（上）图像超分辨率重建（SR）概述
火火的博客
10-20 5722
这里写目录标题扫盲知识 扫盲知识 传统超分辨重建技术大体上可分为4类 预测型（prediction-based） 边缘型（edge-based） 统计型（statistical） 图像块型（patch-based/example-based） 目前使用最多的是图像块型，我们在图像块型领域选择了4篇基于深度学习的图像块型超分辨重建的经典论文进行关键技术点分析。从论文中我们可以看出研究者们对于超分辨任务的不同的理解与解决问题思路。 ...
图像超分辨率SR的背景概念性知识总结和几篇重要论文介绍
ytao_wang的博客
05-24 1万+
本文介绍了做深度学习图像超分辨率SR任务应先掌握的基本概念性知识，然后介绍了SR任务应该向那几个方面着手，希望对SR能有一个清晰的认识，更方便更有目的性的开展SR任务。 主要依据NTIER2018比赛的论文进行介绍。 文中有许多概念或模糊，或啰嗦，或有错误，烦请指正，留言多交流。 文章目录SR定义NTIRESR任务的概念性知识基于深度学习SR网络的构建1. 特征提取2. 特征非线性映射VDSREDSRWDSR3. SR重建参考资料 SR定义 超分辨率SR的定义：将低分辨率的图像通过算法转换成高分辨率图
图像超分辨率重建之SRCNN
Autism_的博客
02-28 5万+
新版本请访问简书链接：https://www.jianshu.com/p/dfe85a3c2096 图像超分辨率重建：指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质,，这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。 Super-Resolution Convolutional Neural Network：本...
基于深度学习的图像超分辨率技术
爱CV
02-04 4906
论文地址： https://arxiv.org/pdf/1902.06068.pdf 01 前言 超分辨率（Super Resolution，SR）是从给定的低分辨率(LR)图像中恢复高分辨率(HR)图像的过程，是计算机视觉的一个经典应用。SR是指通过软件或硬件的方法，从观测到的低分辨率图像重建出相应的高分辨率图像（说白了就是提高分辨率），在监控设备、卫星图像遥感、数字高清、显微成像、视频编码通信、视频复原和医学影像等领域都有重要的应用价值。 近年来，目睹了使用深度学习技术的图像超分辨率.
SRCNN-图像超分辨的学习
小鬼漫步的博客
06-30 6987
《Learning a Deep Convolutional Network for Image Super-Resolution》的学习文章摘要算法模型TensorFlow代码结果SRCNN的不足 (Learning a Deep Convolutional Network for Image Super-Resolution，ECCV2014） 文章摘要 本文利用深度学习的方法实现单张图的超分...
基于SRGAN实现图像超分辨率重建或复原
Gavinmiaoc的博客
04-20 3万+
            超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SISR)...
【图像超分辨（SR）】一文通俗解释blind SR（盲超分）和non-blind SR（非盲超分）的区别
qq_43426078的博客
03-03 1万+
blind和non-blind的区别用一句话来概括就是：是否假设退化核已知并将其作用于图像来做网络训练。 non-blind Super Resolution： 这类方法在训练过程中都假设了退化核(也可以叫退化函数，其实就是degradation)已知，也就是说，在训练过程中一般都会使用一个确定的退化核从HR得到LR，然后来做训练。 深度学习做超分早期的大部分工作都是non-blind SR，一般过程是，把假设已知的退化核作用在图像上得到退化后的LR图像，用LR和HR来训练网络，得到的网络在面对同样退化核产
SR显著图（A Spectral Residual Approach）
GHU
08-04 9713
1 简介 SR（Spectral Residual，剩余谱）模型独立于对象的特征，类别或其他形式的先验知识。通过分析输入图像的对数谱，可以在空间域中获取输入图像的剩余谱，进而用快速的方法在空间域中构造相关的显著性图。模型在自然图像和艺术图像的测试结果表明该方法具有计算效率高且鲁棒性好的特点[1]。 论文指出，图像的信息是由先验知识的信息和显著部分的信息构成，通过在对数谱中用图像的信息减去先验知...
SAR图像简介
热门推荐
xuanzi_eli的博客
08-27 9万+
原地址：http://blog.sina.com.cn/s/blog_764b1e9d0102v18l.html  SAR是主动式侧视雷达系统，且成像几何属于斜距投影类型。因此SAR图像与光学图像在成像机理、几何特征、辐射特征等方面都有较大的区别。在进行SAR图像处理和应用前，需要了解SAR图像的基本特征。     本文主要包括： 成像散射特征SAR几何特征SAR图像
Real-SR算法，实现真实图像超高分辨率处理
LU__JH的博客
06-01 6462
首先，先了解Real-SR算法： Real-SR是腾讯优图实验室提出一种新的图像超分辨率算法。该算法在CVPR-NTIRE-2020真实图像超分比赛中以明显优势获得双赛道冠军。
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