深度学习图像超分辨率最新综述:从模型到应用

2019 年 2 月 20 日 炼数成金订阅号
深度学习图像超分辨率最新综述:从模型到应用

今日arXiv新上论文《Deep Learning for Image Super-resolution:A Survey》,详细回顾了近年来基于深度学习的图像超分辨率(Super-resolution,SR)的方方面面,对于想要进入该领域、在该领域进一步研究、涉足该领域研发的朋友,堪称必读论文。


该文作者分别来自华南理工大学和新加坡管理大学。


何为图像超分辨?

通俗点说,就是把图像由小变大,分辨率从低到高。


但这里面却有大学问!

放大后不可避免涉及到图像中更多细节要被用户看到,搞不好会让人看着很难受。


从上面的图可以看到使用最近邻方法插值直接放大的图像和使用超分辨率算法生成的大图的比较。明眼人一眼就能知道后者让人更舒服!


超分辨率也可以帮助图像压缩,涉及到传输和保存的时候使用小图,view的时候看大图,数据量小很多。这也是很多大厂都在研发SR的原因!


深度超分辨率层次结构

该文作者总结了一张非常棒的图,可以尽览深度学习超分辨率的方方面面!!

作者介绍了深度学习图像超分辨的监督学习方法,从模型框架、上采样方法、网络设计方法、网络学习策略、和可能的改进策略进行了细致总结。


同时介绍了该领域的性能度量标准,包括常用数据集总结。


然后介绍了今年新出现的非监督的图像超分辨方法和SR的应用。实际可以这么说,有图像的地方就有SR的应用场景。


该文总结了近年来200多篇该领域的文献,非常值得一读,并不涉及艰深的算法原理,适合入门。


论文地址:

https://arxiv.org/pdf/1902.06068.pdf


52CV曾经报道过多篇SR技术,前段时间介绍了

小米开源FALSR算法:快速较精确轻量级的超分辨率模型


今天小米的这篇佳作还被雷军叔叔点名表扬了:


图像超分辨率是一项基础应用的工作,如果效果、效率做好了,能够在移动端商用的话,可以帮企业省不少真金白银呢!


声明:文章收集于网络,如有侵权,请联系小编及时处理,谢谢!


文章来源:我爱计算机视觉

《计算机视觉:从入门到精通,极限剖析图像识别学习算法》从代码到原理,从直观物理理解到数学推导,掌握CV的基础核心技术,从实践中学习,再从理论回到实践。学员通过学习可了解计算机视觉图像识别基本原理和算法,学会解决在实践中遇到的各种问题。点击下方二维码报名课程

登录查看更多
46

相关内容

图像超分辨率的英文名称是 Image Super Resolution。图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前, 图像超分辨率研究可分为 3个主要范畴: 基于插值、 基于重建和基于学习的方法.

随着高计算设备的发展,深度神经网络(DNNs)近年来在人工智能(AI)领域得到了广泛的应用。然而,之前的研究表明,DNN在经过策略性修改的样本(称为对抗性样本)面前是脆弱的。这些样本是由一些不易察觉的扰动产生的,但可以欺骗DNN做出错误的预测。受图像DNNs中生成对抗性示例的流行启发,近年来出现了针对文本应用的攻击DNNs的研究工作。然而,现有的图像扰动方法不能直接应用于文本,因为文本数据是离散的。在这篇文章中,我们回顾了针对这一差异的研究工作,并产生了关于DNN的电子对抗实例。我们对这些作品进行了全面的收集、选择、总结、讨论和分析,涵盖了所有相关的信息,使文章自成一体。最后,在文献回顾的基础上,我们提出了进一步的讨论和建议。

成为VIP会员查看完整内容
0
36

论文主题: Deep Learning for Image Super-resolution: A Survey

论文摘要: 图像超分辨率(SR)是提高图像分辨率的一类重要的图像处理技术以及计算机视觉中的视频。近年来,基于深度学习的图像超分辨率研究取得了显著进展技术。在这项调查中,我们旨在介绍利用深度学习的图像超分辨率技术的最新进展系统的方法。一般来说,我们可以粗略地将现有的SR技术研究分为三大类:监督SR、非监督SR和领域特定SR。此外,我们还讨论了一些其他重要问题,如公开可用的基准数据集和性能评估指标。最后,我们通过强调几个未来来结束这项调查未来社区应进一步解决的方向和公开问题.

成为VIP会员查看完整内容
0
29

论文主题: A Deep Journey into Super-resolution: A survey

论文摘要: 基于深卷积网络的超分辨是一个快速发展的领域,有着广泛的实际应用。在这个说明中,我们广泛比较了30多个最先进的超分辨率卷积神经网络(CNNs)超过三个经典数据集和最近引入的三个具有挑战性的数据集对单图像超分辨率进行了基准测试。我们为基于深度学习的超分辨率网络,将现有方法分为九类,包括线性、残差、多分支、递归、渐进、基于注意力和对抗性设计。我们还提供了网络复杂度、内存占用、模型输入和输出、学习细节、网络损耗的类型和重要性架构差异(例如,深度、跳过连接、过滤器)。进行了广泛的评估,显示了一致性和快速性在过去几年中,随着模型复杂性的提高和大规模的可用性的增长数据集。我们还注意到,作为基准的开拓性方法已经被目前的竞争者。尽管近年来取得了进展,但我们确认了现有技术的一些缺点并提供了未来解决这些开放性问题的研究方向。

成为VIP会员查看完整内容
0
19
小贴士
相关资讯
超分辨率相关资源大列表
极市平台
17+阅读 · 2019年5月11日
低清视频也能快速转高清:超分辨率算法TecoGAN
机器之心
8+阅读 · 2019年4月16日
雷军强推:小米造最强超分辨率算法,现已开源
机器之心
6+阅读 · 2019年2月20日
资源 | 《白话深度学习与TensorFlow》
AI研习社
4+阅读 · 2018年9月22日
深度学习之图像超分辨重建技术
机器学习研究会
7+阅读 · 2018年3月24日
一文概览基于深度学习的超分辨率重建架构
深度学习目标检测概览
AI研习社
45+阅读 · 2017年10月13日
相关论文
A survey on deep hashing for image retrieval
Xiaopeng Zhang
7+阅读 · 6月10日
Simple Multi-Resolution Representation Learning for Human Pose Estimation
Trung Q. Tran,Giang V. Nguyen,Daeyoung Kim
3+阅读 · 4月14日
Aravind Sankar,Yanhong Wu,Liang Gou,Wei Zhang,Hao Yang
33+阅读 · 2019年6月15日
Object Detection in 20 Years: A Survey
Zhengxia Zou,Zhenwei Shi,Yuhong Guo,Jieping Ye
28+阅读 · 2019年5月13日
Sneha Chaudhari,Gungor Polatkan,Rohan Ramanath,Varun Mithal
11+阅读 · 2019年4月5日
Ke Sun,Bin Xiao,Dong Liu,Jingdong Wang
4+阅读 · 2019年2月25日
Image Captioning based on Deep Reinforcement Learning
Haichao Shi,Peng Li,Bo Wang,Zhenyu Wang
6+阅读 · 2018年9月13日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Tiny-DSOD: Lightweight Object Detection for Resource-Restricted Usages
Yuxi Li,Jiuwei Li,Weiyao Lin,Jianguo Li
5+阅读 · 2018年7月29日
Joachim D. Curtó,Irene C. Zarza,Fernando De La Torre,Irwin King,Michael R. Lyu
4+阅读 · 2018年5月10日
Top