Rainton_Zhang

摘要： 本文通过生成对抗网络的方法，采用了新的视觉损失函数，使得最终生成的HR图片拥有更好的纹理细节和更舒适的视觉效果，避免了以MSE作为损失函数时导致的高频信息缺失和图像过度平滑。 阅读全文

摘要： 本文提出了一种新颖的SR方法DenseNet，用稠密块串联起各层的特征，使得整个网络减轻了梯度消失问题、加强了特征传播、减少了参数数量，并达到了很好的超分辨效果。 阅读全文

摘要： 本文主要介绍的LapSRN方法采用了深度的网络结构和残差学习的方法，通过每一级进行反卷积和残差学习的方法提高了模型的运行速度和图像的重建效果。 阅读全文

摘要： 本文介绍的VDSR是含有更多的卷积层，拥有更大的感受野的深度卷积神经网络，应用了残差学习和自适应梯度裁剪方法，以不同倍数超分辨的图像为训练集，最终达到了更好的视觉效果，更快的收敛速度和更高效的不同倍数放大应用。 阅读全文

摘要： 本文观察了SRCNN存在的处理速度上的限制，在SRCNN的基础上提出了一种高效的网络结构FSRCNN，新的网络结构能够提升40倍速，同时还保证了图像的恢复质量，且可以用于实时视频的超分辨。 阅读全文

摘要： 本文将深度学习方法引入到单图像的超分辨中，同时表明传统的用稀疏编码（sparse-coding）实现超分辨的方式可以视作是深度卷积神经网络。这种轻量级的网络不仅在处理效果上更胜一筹，还具备简单和鲁棒的特性。 阅读全文

摘要： 将图像块解构为三个概念独立的部分，信号强度（signal strength）、信号结构（signal structure）、平均强度（mean intensity），分别进行融合处理后再还原到融合图像中，起到对重影效果鲁棒的效果。 阅读全文

摘要： 首次将卷积神经网络CNN引入到多曝光图像融合技术中，通过无监督深度学习提取多曝光图像对中的特征，融合后重建图像，最终获得视觉效果很好的图像。 阅读全文

摘要： 通过引入叫做卷积稀疏表示（Convolutional Sparse Representation，CSR）的信号分解模型到图像融合中，以解决稀疏表示（Sparse Representation，SR）的两个主要缺陷，改进后的模型在客观评估和视觉质量上都优于SR方法。 阅读全文