qq_41807261的博客

BasicVSR++: Improving Video Super-Resolution with Enhanced Propagation and AlignmentAbstract递归结构是视频超分辨率任务的一个流行框架选择。最先进的方法BasicVSR采用双向传播与特征对齐，有效地利用了整个输入视频的信息。在这项研究中，我们通过提出二阶网格传播和流动引导的可变形对齐来重新设计BasicVSR。我们表明，通过增强传播和对齐的递归框架，我们可以更有效地利用错位视频帧的时空信息。在类似的计算约束下，新的

BasicVSR: The Search for Essential Components in Video Super-Resolution and Beyond

Understanding Deformable Alignment in Video Super-Resolution摘要1 引言2 相关工作3 统一可变形和基于流的配准3.1 可变形卷积的重新审视3.2 可变形配准3.3 可变形配准和基于流动的配准之间的关系3.4 偏移保真度损失4 分析4.1 可变形配准与光流的对比4.2 偏移量多样性分解的等效性学习的偏移量多样性的贡献增加偏移量的多样性4.3 偏移保真度损失5 结论摘要可变形卷积最初是为适应物体的几何变化而提出的，最近在对齐多个帧方面表现出令人信

MSAN：Scene-Adaptive Remote Sensing Image Super-Resolution Using a Multiscale Attention Network摘要I 介绍III. 方法A. 用于遥感图像超分辨率的MSAN模型的结构B. 多尺度激活特征融合块（MAFB）1) 多尺度激活模块。2) 注意模块。C. 场景适应性框架描述1) 转移学习2）重构摘要遥感图像超分辨率一直是研究的重点，近年来提出了许多基于深度学习的算法。然而，由于遥感图像的结构往往比自然图像的结构更加复杂

Structure-Preserving Super Resolution with Gradient Guidance摘要1. 引言2. 相关工作3. 方法3.1. 概述3.2.架构细节3.2.1 梯度分支3.2.2 保留结构的SR分支3.3 Object function传统的损失：感知损失梯度损失4. 实验4.1. 实施细节和评估指标训练细节摘要在单一图像超级分辨率（SISR）中，结构很重要，本文提出了一种保护结构的超分辨率的方法，同时保持基于GAN的方法的优点，以产生感观上令人愉快的细节。具体来

Remote-Sensing Image Superresolution Based on Visual Saliency Analysis and Unequal Reconstruction Networks摘要I. 引言II. 相关研究A. 经典图像SR1) 频域算法2）空间域算法3）基于实例的算法B. 基于深度学习的SR1）架构。2) 损失函数。C. RSI的SR技术III. 方法A. 多尺度梯度显著分析B. 显著性驱动的门条件生成对抗网络1）对抗学习。2）网络结构。2) Saliency-Weig

Deep Learning for Multiple-Image Super-Resolution摘要I. 引言A. 相关工作B. 贡献II. 提议的EVONET算法III. 实验IV. 结论摘要超分辨率（SR）重建是一个旨在提高图像空间分辨率的过程，可以是基于低分辨率和高分辨率之间的学习关系的单一观测，也可以是呈现同一场景的多个图像。如果不能以期望的分辨率获取图像，而有单个或多个低分辨率的观测数据，那么SR就特别重要–这是各种遥感场景所固有的。最近，我们见证了单幅图像SR的大幅改进，这归功于使用深度神

Super-Resolution for Remote Sensing Images via Local–Global Combined Network摘要I. 引言II. 方法A. 用于超分辨率的卷积神经网络B. 局部-全局组合网络1) 表征：2) 局部-全局组合:3) 重建:III. 实验结果和分析A. 数据集和相似性指标B. 实施细节C. 局部-全局组合分析D. 结果比较和分析E. 深度评估IV. 结论摘要超分辨率是一种图像处理技术，它从单一或连续的低分辨率图像中恢复出高分辨率的图像。最近，深度卷

导语随着深度卷积神经网络（DCNNs）技术的推进，超分辨率（super resolution/SR）的新近研究取得重大突破，但是关于任意缩放因子（arbitrary scalefactor）的研究一直未回到超分辨率社群的视野之中。先前绝大多数 SOTA 方法把不同的超分辨率缩放因子看作独立的任务：即针对每个缩放因子分别训练一个模型（计算效率低），并且只考虑了若干个整数缩放因子。在本文中，旷视研究院提出一种全新方法，称之为 Meta-SR，首次通过单一模型解决了超分辨率的任意缩放因子问题（包括非整数因子

RRSGAN: Reference-Based Super-Resolution for Remote Sensing Image摘要：1. 介绍2 相关工作A. 遥感图像的SRB. SISRC. RefSR3. 方法A. 梯度辅助特征对齐方法1) 特征提取模块2）特征对齐模块B. 端到端网络结构1) LR特征提取器2）RAM3) 纹理变换器4) 鉴别器C. 损失函数1) 重建损失2) 对抗性损失3) 感知损失4) 梯度损失D. 实施细节4. 试验A. 数据集B. 评估指标C. 与不同方法的定量和定性比较D

Image Super-Resolution by Neural Texture Transfer摘要：1.引言2 相关工作2.1 基于深度学习的SISR2.2基于参考的超分辨率3. 方法3.1特征交换3.2神经纹理传递3.3 训练目标3.3.1重建损失3.3.2感知损失3.3.3对抗性损失3.4 实施细节4.数据集5.实验结果5.1定量评价5.2用户研究的定性评价5.3消融研究5.3.1参考相似性的影响5.3.2 特征交换层5.3.3纹理损失的影响6.结论摘要：低分辨率（LR）图像存在显著的信息损失，

论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Yang_Learning_Texture_Transformer_Network_for_Image_Super-Resolution_CVPR_2020_paper.pdfLearning Texture Transformer Network for Image Super-Resolution摘要1 简介2 相关工作3 本文方法3.1 Texture Transformer可学习的

Maintaining Natural Image Statistics with the Contextual Loss摘 要：1 介绍2 训练CNN以匹配图像分布2.1 设置2.2 KL-分歧的回顾2.3 用上下文损失来逼近KL-divergenceContextual loss：Chamfer DistanceContextual Loss与Chamfer Distance3 实证分析近似值的实证分析对人类感知判断进行评估4 应用4.1 单一图像的超分辨率提出的解决方案实现细节评价4.2 高分辨率表面

论文链接：https://web.eecs.umich.edu/~justincj/papers/eccv16/JohnsonECCV16.pdfPerceptual Losses for Real-Time Style Transfer and Super-Resolution摘要1 引言2 相关工作前馈式图像变换感知优化风格转移图像超分辨率3 方法3.1 图像变换网络输入和输出下采样和上采样残差连接3.2 感知损失函数特征重建损失风格重构损失3.3 简单损失函数像素损失总变化正则化4 实验4.1 风格

Multi-scale Residual Network for Image Super-Resolution摘要1 介绍本文对应的解决方案本文的贡献2 相关工作2.1 单图像的超分辨率（Single-image Super-resolution）2.2 特征提取块（Feature Extraction Block）3 提出的方法3.1 多尺度残差块（MSRB）多尺度特征融合（Multi-scale Features Fusion）局部残差学习（Local Residual Learning）3.2 层次特

提出了一种新的金字塔型多尺度残差网络（PMSRN），利用分层残差样连接和扩张卷积形成多尺度扩张残差块（MSDRB）。MSDRB增强了检测上下文信息的能力，并通过分层特征融合结构融合分层特征。为了更有效地整合不同尺度的图像特征，在MSDRBs中引入分层残差类连接（即Res2Net[18]），实现更细化的多尺度特征表示。为了尽可能地解决网络特征遗忘和利用不足的问题，将每个MSDRB层的输出作为分层特征融合结构（HFFS）的输入。最后，在重建结构中加入全局和局部特征的互补块，以缓解有用的原始信息被忽略的问题。本

对于遥感图像的超分辨率，本文提出了一种自适应多尺度特征融合网络（AMFFN）。 AMFFN 可以直接从原始低分辨率图像中提取密集特征，而无需任何图像插值预处理。串联几个自适应多尺度特征过滤块（AMFE），以自适应地提取遥感图像的高频详细特征信息。AMFFN 的主要贡献包括：针对遥感图像的超分辨率引入了一种自适应多尺度特征融合网络，可以自适应地提取多尺度特征信息；集成了挤压激励模块（Squeeze-and-Excited，SE）和自适应门控单元（Adaptive Gating Unit），用于特征提取和

本文实现了浅层CNN和深层CNN的集合，并提出了多尺度特征提取和关注块（MSFEAAB），以更好地同时从LR图像中提取低频和高频信息。为了抑制由于解卷积层导致的棋盘问题，采用像素解卷积来对特征图进行升标。提出了一个多尺度特征提取和注意力块（MSFEAAB），包括三个主要步骤。(一)特征提取，(二)向上缩放，(三)图像重建。在特征提取步骤中，采用多尺度特征提取后的注意力模块，以更高效地学习卷积滤波器。在特征提取模块中，关键问题之一是用于卷积核的接受场的大小。小尺寸的核对提取低频成分有帮助，而，大尺寸的核

Accurate Image Super-Resolution Using Very Deep Convolutional Networks摘要介绍2 相关工作2.1 图像超分辨率的卷积神经网络模型训练尺度3 提出的方法3.1 提出的网络3.2. 训练残差学习深层网络的高学习率可调梯度裁剪多尺度4 理解属性4.1. 越深越好4.2. 残差学习4.3. 多尺度的单一模型5. 实验结果5.1. 用于训练和测试的数据集训练数据集测试数据集5.2. 训练参数5.3. 基准5.4. 与最先进方法的比较 我们提供了定量

0 引言：本文提出了一种利用高斯金字塔的图像模糊特性进行遥感数据尺度上推的方法，在对金字塔每一层的数据高斯模糊的基础上，通过多次连续的降采样，得到一系列不同尺度的数据，从而满足实际应用的空间分辨率要求，本文使用的高斯金字塔尺度上推方法能够有效地实现连续遥感数据的尺度转换，在保持遥感数据局部细节特征的基础上，较好地保持了原始遥感数据的信息量以及空间结构特征。1 尺度转换的目的：遥感数据的尺度特性主要由空间分辨率来表达，由于获取遥感数据的传感器类型等的差异，数据尺度不一致是遥感信息科学领域普遍存在的现象，

1 介绍本文旨在对利用深度学习方法进行图像超分辨率的最新进展进行全面的调查。一般来说，我们可以将现有的SR技术研究大致分为三大类：监督SR。无监督的SR，以及特定领域的SR。此外，我们还涵盖了其他一些重要的问题，比如公开的 基准数据集和性能评估指标。最后，我们在调查的最后强调了几个未来的方向和 今后应由社会进一步解决的开放性问题。我们对基于深度学习的图像超分辨率技术进行了全面的回顾，包括问题设置、基准数据集、学习、特定领域SR应用等。2）我们分层次、分结构地对基于深度学习的SR技术的最新进展进行了系统

Remote Sensing Image Super-resolution: Challenges and Approaches遥感图像超分辨率的挑战和方法1 摘 要2 遥感观测模型3 遥感中的SR模型3.1 基于学习的SR模型3.2 基于内插的SR模型3.3 频域SR模型3.4 概率论SR模型4 实验结果5 结论参考文献遥感图像超分辨率的挑战和方法1 摘 要随着卫星图像处理的发展，遥感在现代社会中也越来越重要。然而，由于目前成像传感器的局限性和复杂的大气条件，空间分辨率、光谱分辨率、辐射分辨率和时间

摘要：近来，卫星遥感图像的应用越来越普遍，但卫星传感器观测到的图像往往是低分辨率的，因此不能完全满足物体识别和分析的要求。因此，它们不能完全满足物体识别和分析的要求。为了充分利用遥感图像中物体的多尺度特征（multi-scale），本文提出了一种多尺度残差神经网络（MRNN）。MRNN采用卫星图像的多尺度特性，对超分辨率(SR)卫星图像准确重建高频信息。从超分辨率卫星图像中提取不同尺寸的块（patch），以适应不同尺度的物体。大、中、小尺度的深度残差神经网络被设计为模拟不同大小的感受野，以获取相对的全局、上

Image Super-Resolution Using Deep Convolutional NetworksAbstract1 Introduction2 Related work2.1 Image Super-Resolution2.2 Convolutional Neural Networks2.3 Convolutional Neural Networks for Super-Resolution#3 Convolutional Neural Networks3.1 Formulation3.1.

Accurate Image Super-Resolution Using Very Deep Convolutional NetworksVDSRAccurate Image Super-Resolution Using Very Deep Convolutional Networks摘要Introduction2. 相关工作Related Work2.1 Convolutional Network for Image SuperResolution模型Model训练Training比例Scale3 提

基于ResNet或GAN的遥感图像超分辨率论文《空间感知残差网络的遥感图像超分辨率重建》操作：遥感图像特点：网络模型：去掉批处理层的原因:具体操作损失方程：《改进的残差卷积神经网络遥感图像超分辨率重建》方法：操作：不使用池化层的原因：《基于对抗网络遥感图像超分辨率重建研究》方法：遥感图像特点：本文的改进：CGAN原理：算法改进：网络结构：损失函数：数据集：《基于生成对抗网络的单帧遥感图像超分辨率》遥感图像特点：改进点：网络结构及参数设置：对生成器 G ：对判别器 D ：损失函数：数据集：优点：这一周阅读了

Learning a Deep Convolutional Network for Image Super-ResolutionAbstract1 Introduction2 Related WorkImage Super-ResolutionConvolutional Neural NetworksDeep Learning for Image Restoration3 Convolutional Neural Networks for Super-Resolution3.1 FormulationPat