weixin_43840215的博客

CVPR2020所有论文：https://openaccess.thecvf.com/CVPR20201.Unified Dynamic Convolutional Network for Super-Resolution with Variational DegradationsproblemDeep Convolutional Neural Networks (CNNs) have achieved remarkable results on Single Image Super-Resoluti

CVPR2020所有论文：https://openaccess.thecvf.com/CVPR20201.Closed-loop Matters: Dual Regression Networks for Single Image Super-ResolutionproblemTwo underlying limitations to existing SR methods:Learning the mapping function from LR to HR images is typicall

1.Investigating Loss Functions for Extreme Super-ResolutionNTIRE2020极限超分亚军方案，出自CIPLab。LPIPS指标亚军，PI指标冠军。官方的评测指标是LPIPS，所以屈居亚军。以往的超分辨方法主要是做4倍超分，很少一部分工作是16倍超分的。problemThe general approach for perceptual ×4 SR is using GAN with VGG based perceptual loss, ho

文章发表于CVPR 2019论文及源码：https://github.com/JWSoh/NatSR许多使用CNN网络的SISR模型使用失真导向（distortion-oriented）的损失函数，这类模型很难恢复真实图像纹理内容和细节，看起来较模糊，没有较好的视觉效果。恢复真实纹理和细节在图像超分辨领域仍然是一项挑战，目前有一些关于这方面的工作，如SRGAN，EnhancedNet，SFT-...

CVPR 2019图像超分辨率领域出现多篇，更接近于真实世界原理的低分辨率和高分辨率图像对应的新思路。具体来说，以前论文训练数据主要使用的是人为的bicubic下采样得到的，网络倾向于学习bicubic下采样的逆过程，这与现实世界原理不太相符。为了得到重建结果，要么采用psnr-oriented方式获得更高的psnr，要么采用perceptual-oriented获得更好的主观效果。但这与现实世...

文章发表于CVPR 2019论文下载链接：http://arxiv.org/abs/1903.00875论文源代码部分，作者目前还没有公开。目前的SISR网络大多解决的问题针对单一放大尺寸问题，这样在实际应用中，SR具有一定的局限性。作者受到meta-learning启发，本文提出了Mera-SR，可解决任意放大尺寸的图像超分辨率问题，这样使得SISR可以具有更多的实际应用。论文的整体思路...

“Residual Dense Network for Image Super-Resolution”发表于CVPR 2018论文：https://arxiv.org/abs/1802.08797代码：https://github.com/yulunzhang/RDNhttps://github.com/lizhengwei1992/ResidualDenseNetwork-Pytorc...

文章发表于CVPR 2019论文地址：http://arxiv.org/abs/1904.03377目前绝大部分图像超分辨率算法，假设图像退化（LR图像获得）过程中的下采样模糊核是预先定义或已知的，如bicubic下采样，这类算法在应用于实际应用时，如果模糊核是复杂或未知时，图像超分辨效果会大大降低。文中，提出了Iterative Kernel Correction（IKC）迭代核校正算法用于...

“Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform”发表于CVPR 2018作者论文、补充材料、数据集及代码地址：http://mmlab.ie.cuhk.edu.hk/projects/SFTGAN/SFTGAN网络结构网络定义部分代码：class SFTLa...

2019年新鲜出炉的基于深度学习的图像超分辨率文献，作者归纳总结了现有的使用深度学习方法解决图像超分辨率问题的研究工作，作者把现有的研究工作主要分成三个部分：supervised SR, unsupervised SR, domain-specific SR，并对未来的研究工作做出了展望。论文地址：https://arxiv.org/abs/1902.06068综述的具体论述和章节安排如下：...

“Accurate Image Super-Resolution Using Very Deep Convolutional Networks”发表于CVPR 2016，并且是oral，文章的内容主要是分析了SRCNN方法局限行，并提出了有效的改进方案。虽然是2016年较老的论文，但是提出解决问题的思路很巧妙，值得学习。论文地址：https://arxiv.org/abs/1511.04587...

“EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis”是与SRGAN同期的研究工作，有相似之处，使用perceptual loss提高生成图像的真实性，并使用GAN进行训练，但EnhanceNet更强调纹理统计特性的局部匹配可以产生更加真实纹理，减少不真实的伪影而没有额外使用正则化技术。论文发...

“ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks”发表于ECCV 2018 workshop，是对The Super-Resolution Generative Adversarial Network (SRGAN)的改进工作，并在PIRM2018-SR挑战赛在region 3区域获得第一名并获得最好的percep...

“Perceptual Losses for Real-Time Style Transfer and Super-Resolution”论文出自斯坦福大学李飞飞团队，发表于ECCV 2016论文地址：https://arxiv.org/abs/1603.08155补充材料地址：https://cs.stanford.edu/people/jcjohns/papers/eccv16/Johns...

“Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network”首次(GAN)应用于图像超分辨率(SR)，在图像超分辨率领域引起了极大的关注，该工作由twitter公司提出，发表于2017 IEEE Conference on Computer Vision and Pattern Reco...

论文发表于2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)论文下载地址：https://arxiv.org/abs/1707.02921源码地址：https://github.com/LimBee/NTIRE2017韩国首尔大学研究团队提出的用于图像超分辨率任务的新方法，分别是增...

图像超分辨率文献：To learn image super-resolution, use a GAN to learn how to do image degradation first主要工作关于图像和人脸超分辨率，本文发表于ECCV 2018上原文地址：https://arxiv.org/abs/1807.11458代码地址：https://github.com/jingyang201...

本文发表于CVPR 2018上文献地址：https://arxiv.org/abs/1712.06087作者的项目地址：http://www.wisdom.weizmann.ac.il/~vision/zssr/简介本文主要工作：引入“Zero-Shot” SR方法（ZSSR），该超分辨率算法不依赖任何其他图片样本和预先训练，使用图像的内部自相似信息，测试时训练一个特定图片的CNN网络。...