随笔分类 - CV---低层视觉
1
摘要：CVPR21 有被后面的视觉效果惊艳到。 现在利用GAN的SR方法主要可以分为两类： 1. 利用adversarial loss。 这种情况下generator要同时捕捉自然图像的特点，又要保留gt的特征。这就限制了generator估计真实图像流型的能力，导致结果出现artifacts和不自然的纹
阅读全文
摘要：CVPR21 将图像超分辨率问题转化为寻找图像的连续表示。本质上图像会存在分辨率的问题，是由于其存储和表示使用的是二维数组。如果将图像的表示是一个连续函数，那么图像就可以是任意分辨率的。这个思路受启发于三维重建中的implicit neural representation implicit neu
阅读全文
摘要：TPAMI20 个人感觉这篇论文写的有点莫名其妙，很多地方都没有讲清楚，符号下标也都没有讲清楚。代码也是，全都是按block1，2，3这样来的，可读性奇差。但顶不住表现好啊。 Motivation: 如何重复利用网络的特征图,使得网络的深度不需要特别深也可以得到比较好的效果.一种方式是使用recur
阅读全文
摘要：今天总结一下目前SR的SOTA中利用了Attention的工作,主要有3篇.按时间顺序分别是18年的RCAN,19年的SAN和20年的HAN.利用Attention的SR再PSNR表现上都排名比较靠前,HAN可以算是目前表现排在第一的. RCAN【ECCV18】 笔记链接 比较早引入channel-
阅读全文
摘要：CVPR20的文章，感觉想法挺棒的。 超分问题可以定义为$y=(x\otimes k)\downarrow_s+n$.他通常有两大类解决方法，早期通常是使用model-based方法。基于一些模型，比如MAP（最大后验概率）进行计算。在MAP的框架下，超分辨率重建是一个基于马尔科夫随机场先验模型的统
阅读全文
摘要：在现实情况下，SR模型通常会由于实际得blur kernel与预先假设的不一致而造成严重的performance drop。blind SR问题就是要尝试解决blur kernel未知情况下的SR问题。本文就针对blind SR提出，预测每张照片blur kernel的方法，再将blur kerne
阅读全文
摘要：针对SRGAN提出的几点改进，获得了PIRM2018视觉质量的第一名。 首先是使用去掉BN层的Residual in Residual Dense Block作为网络的basic unit。并且使用residual scling 和 smaller initialization帮助训练更深的网络。
阅读全文
摘要：目前的SR任务都是将真实图像进行下采样得到成对数据集进行训练，这样的训练会造成与真实情况存在domain gap。因此本文针对这个问题提出了用不成对的数据进行一种伪监督训练。感觉本质上就是通过CycleGAN学到HR图像y到LR图像x的映射，但此时得到y对应的LR图像与实际的x不是一样的，因此称为是
阅读全文
摘要：2012年的一篇文章，是NIQE评价指标的基础。在此之前NR IQA都是针对某个distortion的，需要预先知道对应的distortion。作者提出的BRISQUE（blind/referenceless image spatial quality evaluator）使用locally nor
阅读全文
摘要：本文是针对Zero-Shot（ZSSR）的缺点做出的一些改进。虽然ZSSR提出了利用内部信息，采用无监督的方式进行SR，但缺点在于其测试时间过长。本文提出的MZSR将元学习和ZSSR结合，同时利用内部和外部信息，可以在几个gradient update中就输出比较好的结果。 元学习一般分为两个部分：
阅读全文
摘要：证明了distortion和perceptual quality之间是矛盾的，并且存在一条tradeoff曲线。所有图像复原类任务的表现只能逼近这个曲线。 distortion：指的是重建图像$\widehat{x}$与原图像$x$之间的不相似度 perceptual quality：仅指$\wid
阅读全文
摘要：图像超分任务可以看作是试图从LR图像中恢复尽可能多的高频信息。在SR任务中，输入的LR图像包含了丰富的低频信息。但是之前的任务把不同channel都同等对待，限制了CNN的表达能力。因此文中在EDSR的基础上结合了channel attention机制，构建了residual in residual
阅读全文
摘要：在这篇文章之前，陆续有了一些使用深度学习网络进行SR任务的工作，但是这些以提升PSNR为目标的深度神经网络存在几点问题： 网络表现对于网络结构很敏感，不同的初始化和训练方法对表现得影响也很大。这就使得模型的设计和优化策略的选择变得非常重要。 目前的SR算法都把不同放大因子的问题看作是独立的问题，没有
阅读全文
摘要：项目地址：http://www.wisdom.weizmann.ac.il/~vision/zssr/ 之前利用深度学习构建的SR模型都是有监督学习，利用了大量的外部信息。但是由于这些LR-HR对大部分是通过对HR进行downscale而得到的，因此与实际的LR-HR对的关系有一定的差距。导致这些模
阅读全文
摘要：提出来了提升example-based single image SR的七个技巧。 数据集：Train91, Set5, Set14, B100, L20 用于实验的方法:Yang, Zeyde, ANR, A+, SRCNN 【前置知识】 稀疏表示： 用较少的基本信号（原子，从过完备字典中选出）的
阅读全文
摘要：一些经典的图像问题，如去雾、去噪、超分辨率等等其实都可以看作是image transformation问题。将输入image transform成output。目前比较常用的一种方法就是用监督的方式训练一个feed-forward的CNN，用像素级的损失函数衡量output和ground-truth
阅读全文
摘要：2016年的文章。在此之前使用CNN进行SR的方法都是将LR图像先用一个single filter（通常是bicubic）upscale至HR的尺寸，再进行reconstruction的。所有SR的操作都再HR空间进行。 而本文提出在LR空间进行特征提取。并引入sub-pixel convoluti
阅读全文
摘要：SR领域的经典论文，2015年发表。将CNN引入SR任务中，可以处理彩色图像。 由于SR问题属于不适定性问题，一种解决方法是通过引入先验知识限制解空间。 SR算法根据先验知识不同可分为prediction models, edge based method, image statistical me
阅读全文
摘要：这篇综述主要介绍目前深度学习领域超分辨率问题的一些方法。首先介绍了图像超分辨率问题以及问题的评价标准，之后重点介绍了监督学习领域的几大关键，包括上采样方法、网络结构、学习策略、其他优化策略等。并且分析了各种不同方法的优缺点。之后介绍了无监督学习的一些方法，最后给出了一些未来可能的研究方向。 图像超分
阅读全文
摘要：去雾方法类型 手工的基于先验的方法 基于学习的方法 模型相关的方法： 基于雾天退化模型 physical scattering model：$I(x) = J(x)t(x)+A(x)(1-t(x))$,其中$I$为有雾图像，$J$为无雾图像，$A$为全局大气光，$t$为透射率 用CNN等学习phys
阅读全文
1
浙公网安备 33010602011771号