Densely Connected Recurrent Residual (Dense R2UNet) Convolutional Neural Network for Segmentation of Lung CT Images
Washington University School of Medicine（华盛顿大学医学院）
深度学习网络已经为语义分割提供了最先进的性能。这些技术被广泛应用于医学检测、分割和分类。基于U-Net的架构的出现对于该应用已经变得特别流行。本文提出了基于U-Net模型结构的递归残差卷积神经网络（Dense R2 U CNN），它是递归CNN、残差网络和稠密卷积网络的综合。残差单元有助于训练更深的网络，而密集的递归层增强了分割所需的特征传播。在基准肺部病变数据集上测试的所提出的模型在分割任务上表现出比其等效模型更好的性能。
2021-02-01 cs.CV cs.LG eess.IV
Deep Residual Network for Joint Demosaicing and Super-Resolution
IC, EPFL（瑞士洛桑联邦理工学院（EPFL）集成电路实验室（IC））
在数字摄影中，两个图像复原任务已经被广泛研究并独立解决：去马赛克和超分辨率。这两个任务都与相机的分辨率限制有关。对去马赛克图像执行超分辨率只会加剧由去马赛克引入的伪像。在本文中，我们表明，这种积累的错误可以很容易地避免联合执行去马赛克和超分辨率。为此，我们提出了一个深度残差网络，用于学习Bayer图像和高分辨率图像之间的端到端映射。通过对高质量样本进行训练，我们的深度残差去马赛克和超分辨率网络能够在单步的中从低分辨率Bayer马赛克中恢复高质量的超分辨率图像，而不会产生这两种操作分开进行时常见的伪影。我们进行了大量的实验，以表明我们的深度残差网络实现了去马赛克和超分辨率图像，无论是在定性还是在PSNR和SSIM指标方面，都优于最先进的图像。
2018-02-19 cs.CV
Image Super-Resolution Using Very Deep Residual Channel Attention Networks
Northeastern University（东北大学）
卷积神经网络（CNN）深度对于图像超分辨率（SR）具有至关重要的意义。然而，我们观察到用于图像SR的更深的网络更难以训练。低分辨率输入和特征包含丰富的低频信息，这些信息在通道之间被平等对待，因此阻碍了CNN的代表能力。为了解决这些问题，我们提出了非常深的残留通道注意力网络（RCAN）。具体来说，我们提出了一种残差中残差（RIR）结构，以形成非常深的网络，它由几个残差组与长跳跃连接。每个残差组包含具有短跳过连接的一些残差块。同时，RIR允许通过多个跳过连接绕过丰富的低频信息，使主网络专注于学习高频信息。此外，我们提出了一个通道注意力机制，通过考虑通道之间的相互依赖性，自适应地重新缩放通道的功能。大量的实验表明，我们的RCAN实现了更好的准确性和视觉上的改进，对国家的最先进的方法。
2018-07-12 cs.CV
Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network
Ajou University（亚洲大学）
近年来，深度学习方法已成功应用于单张图像的超分辨率任务。尽管深度学习方法具有很好的性能，但由于需要大量的计算，因此无法轻松应用于现实世界的应用。在本文中，我们通过提出一个精确且轻量级的深度网络来解决这个问题，用于图像超分辨率。详细地说，我们设计了一个架构，实现了一个级联机制上的残留网络。我们还提出了所提出的级联残差网络的变体模型，以进一步提高效率。我们广泛的实验表明，即使使用更少的参数和操作，我们的模型也能达到与最先进的方法相当的性能。
2018-10-04 cs.CV
Improving Super-Resolution Methods via Incremental Residual Learning
National University of Computer and Emerging Sciences（国立计算机与新兴科学大学）
最近，卷积神经网络（CNN）在超分辨率（SR）方面表现出了良好的性能。然而，这些方法主要在低分辨率（LR）输入上操作以提高存储器效率，但正如我们所证明的，这限制了它们（i）对高频信息进行建模的能力;以及（ii）从LR平滑地转换到高分辨率（HR）空间。为此，我们提出了一种新的增量剩余学习（IRL）框架来解决这些问题。在IRL中，首先我们选择一个典型的SR预训练网络作为主分支。接下来，我们顺序地训练剩余分支并将其添加到主分支，其中每个剩余分支被学习以对所有先前分支的累积剩余进行建模。我们将最先进的方法插入IRL框架中，并在公共基准数据集上展示了一致的性能改进，从而在训练时间仅增加约20%的情况下为SR设置了新的最先进的方法。
2019-05-16 cs.CV
DRST: Deep Residual Shearlet Transform for Densely Sampled Light Field Reconstruction
Tampere University（坦佩雷大学）；Kiel University（基尔大学）
基于Shearlet变换的基于图像绘制（IBR）方法是实现密集采样光场（DSLF）重建的最有效方法之一。基于ST的DSLF重建通常依赖于剪切波域的对极平面图像（EPI）稀疏正则化的迭代阈值算法，涉及图像域和剪切波域之间的数十次变换，这些变换通常是耗时的。为了克服这一局限性，本文提出了一种新的基于学习的ST方法，称为深度残差剪切波变换（DRST）。具体而言，对于输入稀疏采样EPI，DRST采用深度全卷积神经网络（CNN）来预测剪切波域中剪切波系数的残差，以便在图像域中重建密集采样EPI。DRST网络仅通过利用精心设计的掩模在合成稀疏采样光场（SSLF）数据上进行训练。在具有不同中等差异范围（8 - 16像素）的三个具有挑战性的真实世界光场评估数据集上的实验结果表明，所提出的基于学习的DRST方法优于用于DSLF重建的非基于学习的ST方法。此外，DRST至少提供了ST的2.4倍加速。
2020-03-19 cs.CV cs.MM eess.IV
A Framework for Super-Resolution of Scalable Video via Sparse Reconstruction of Residual Frames
K.N. Toosi University of Technology（K.N.图西理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文介绍了一种基于压缩感知和剩余帧稀疏表示的可伸缩视频超分辨率框架，用于侦察和监视应用。我们利用有效的压缩采样和稀疏重建算法来超分辨率的视频序列相对于不同的压缩率。我们利用残差帧中残差信息的稀疏性作为设计框架的关键点。此外，定义了一个控制因子作为压缩性阈值，以控制复杂度和性能之间的权衡。数值实验证实了所提出的框架的压缩率方面的效率，以及重建的视频序列的PSNR测量的质量。该框架导致更有效的压缩率和更高的视频质量相比，其他国家的最先进的算法，考虑性能复杂性权衡。
2017-07-31 cs.CV
Enhanced Deep Residual Networks for Single Image Super-Resolution
Seoul National University（首尔大学）
随着深度卷积神经网络（DCNN）的发展，最近对超分辨率的研究取得了进展。特别是，残差学习技术表现出改进的性能。在本文中，我们开发了一种增强的深度超分辨率网络（EDSR），其性能超过了当前最先进的SR方法。我们的模型的显着性能改善是由于通过删除传统残差网络中不必要的模块进行优化。通过扩大模型大小，同时稳定训练过程，进一步提高了性能。我们还提出了一种新的多尺度深度超分辨率系统（MDSR）和训练方法，它可以在单个模型中重建不同放大因子的高分辨率图像。所提出的方法在基准数据集上显示出优于最先进方法的性能，并通过赢得NTIRE2017超分辨率挑战赛证明了其卓越性。
2017-07-10 cs.CV
Image Denoising and Super-Resolution using Residual Learning of Deep Convolutional Network
Indian Institute of Science（印度科学学院）
图像超分辨率和去噪是图像处理中的两个重要任务，可以导致图像质量的改善。图像超分辨率是将低分辨率图像映射到高分辨率图像的任务，而去噪是从噪声输入中学习干净图像的任务。我们提出并训练一个深度学习网络，我们称之为SuRDCNN（超分辨率和去噪卷积神经网络），以同时执行这两项任务。我们的模型几乎复制了现有最先进的深度学习模型的架构，用于超分辨率和去噪。我们使用经过验证的剩余学习策略，并得到该领域最先进网络的支持。我们训练的SuRDCNN能够在存在高斯噪声，泊松噪声或这两种噪声的任何随机组合的情况下超分辨率图像。
2018-09-21 cs.CV
Lightweight Residual Densely Connected Convolutional Neural Network
Sharif University of Technology（谢里夫理工大学）
高效的卷积神经网络架构是有限资源设备（如嵌入式和移动设备）的最重要要求之一。计算能力和存储器大小是这些设备的两个重要约束。最近，已经提出了一些架构，以克服这些限制，考虑特定的硬件-软件设备。本文提出了轻量级的剩余密集连接块，以保证卷积神经网络的深度监督，有效的梯度流和特征重用能力。所提出的方法降低了训练和推理过程的成本，而不使用任何特殊的硬件-软件设备，通过减少参数和计算操作的数量，同时达到可行的精度。大量的实验结果表明，该架构比AlexNet和VGGNet更有效的模型大小，所需的参数，甚至精度。该模型已经在ImageNet、MNIST、Fashion MNIST、SVHN、CIFAR-10和CIFAR-100上进行了评估。它在Fashion MNIST数据集上取得了最先进的结果，在其他数据集上取得了合理的结果。所得到的结果表明，所提出的方法的优越性，如挤压网有效的模型。它也可以与最先进的高效模型（如CondenseNet和ShuffleNet）相媲美。
2020-06-08 cs.CV cs.LG
Blind2Sound: Self-Supervised Image Denoising without Residual Noise
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；School of Future Technology, University of Chinese Academy of Sciences（中国科学院大学未来技术学院）
泊松-高斯噪声的自监督盲去噪仍然是一个具有挑战性的任务。从单个噪声图像构建的伪监督对重新破坏信号并降低性能。可见盲点解决了屏蔽输入中的信息丢失。然而，没有显式的噪声感测，均方误差作为目标函数不能调整动态噪声水平的去噪强度，导致明显的残留噪声。在本文中，我们提出了Blind 2Sound，一种简单而有效的方法来克服去噪图像中的残留噪声。所提出的自适应可再现损失感测噪声水平，并在没有噪声残留的情况下执行个性化去噪，同时保持信号无损。中间介质梯度的理论分析保证了稳定的训练，而Cramer Gaussian损失作为正则化，以促进对噪声水平的准确感知并提高去噪器的性能。合成和真实世界的数据集上的实验表明，我们的方法，特别是单通道图像的优越性能。
2023-03-14 cs.CV
Single Image Super-resolution via a Lightweight Residual Convolutional Neural Network
School of Computer and Information Technology, Shanxi University（山西大学计算机与信息技术学院）；Harbin Institute of Technology（哈尔滨工业大学）
近年来，卷积神经网络（CNN）在解决低层次和高层次的各种问题方面取得了巨大的成功。特别值得注意的是残差网络，它最初被提出来处理高层次的视觉问题，并享有一些优点。本文旨在将残差网络的优点，如跳跃连接诱导的快速训练，扩展到一个典型的低层次视觉问题，即，单个图像超分辨率。一般来说，现有深度CNN的超分辨率的两个主要挑战在于梯度爆炸/消失问题以及随着CNN更深入而产生的大量参数或计算成本。相应地，利用跳跃连接或单位映射捷径来避免梯度爆炸/消失问题。此外，跳过连接自然地集中了激活，从而带来了更好的性能。为了解决第二个问题，提出了一种轻量级的CNN架构，该架构具有精心设计的宽度，深度和跳过连接。特别地，对于剩余网络，提出了一种逐渐改变网络形状的策略。还比较了用于图像超分辨率的不同残差架构。实验结果表明，提出的CNN模型不仅可以实现最先进的PSNR和SSIM结果的单图像超分辨率，但也产生视觉上愉快的结果。本文扩展了mmm 2017口头会议论文，特别是从剩余网络的中心激活和集成行为的角度进行了大量新的分析和更多的实验。
2017-12-06 cs.CV
Efficient Residual Dense Block Search for Image Super-Resolution
The University of Sydney（悉尼大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Huawei CBG（华为消费者业务集团）
尽管由于深度卷积神经网络的复兴，在单图像超分辨率方面取得了显著进展，但深度学习方法在实践中面临着计算和存储器消耗的挑战，特别是对于移动设备。针对这一问题，本文提出了一种高效的多目标残差密集块搜索算法，以寻找快速、轻量、精确的图像超分辨率网络。首先，为了加速超分辨率网络，我们充分利用的特征尺度的变化与建议的有效剩余密集块。在所提出的进化算法中，池化和上采样算子的位置自动搜索。其次，在块信用的指导下进化网络结构，以获得精确的超分辨率网络。区块信用反映当前区块的效果，并在模型评估过程中获得。该算法通过对变异样本概率的加权来引导进化，使变异样本更有利于优良块。大量的实验结果表明，所提出的搜索方法的有效性和有效的超分辨率模型实现更好的性能比国家的最先进的方法，有限的参数和FLOP。
2019-12-30 cs.CV
On the iterative refinement of densely connected representation levels for semantic segmentation
Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；Computer Vision Center, Barcelona（巴塞罗那计算机视觉中心）；Facebook AI Research（Facebook人工智能研究）
最先进的语义分割方法通过使用由池化/跨步卷积或连续扩张卷积组成的下采样路径来增加其模型的感受域。但是，不清楚哪种手术会产生最佳效果。在本文中，我们系统地研究了不同的感受野扩大方法引入的差异及其对一种新架构（称为全卷积DenseResNet（FC-DRN））性能的影响。FC-DRN具有由残余网络组成的密集连接的骨干。在标准的图像分割架构之后，改变表示水平的感受野放大操作在残差网络之间交错。这使得该模型能够利用残差和密集连接模式的优势，即：梯度流，表示的迭代细化，多尺度特征组合和深度监督。为了突出我们模型的潜力，我们在具有挑战性的CamVid城市场景理解基准上对其进行了测试，并得出以下观察结果：1）当模型从头开始训练时，下采样操作优于膨胀，2）膨胀在模型的微调步骤期间是有用的，3）较粗糙的表示需要较少的细化步骤，以及4）ResNets（通过模型构造）是很好的正则化器，因为它们可以在需要时减少模型容量。最后，我们将我们的架构与其他方法进行了比较，并在Camvid数据集上报告了最先进的结果，参数至少减少了两倍。
2018-04-30 cs.CV
Image Super-Resolution via RL-CSC: When Residual Learning Meets Convolutional Sparse Coding
School of Electronic and Information, Wuhan University（武汉大学电子信息学院）
结合残差学习和卷积稀疏编码的优点，提出了一种简单有效的单幅图像超分辨率（SISR）模型。我们的模型的灵感来自学习迭代收缩阈值算法（LISTA）。我们将LISTA扩展到其卷积版本，并通过严格遵循卷积形式构建模型的主要部分，这提高了网络的可解释性。具体而言，输入特征图的卷积稀疏编码以递归方式学习，并且可以从这些CSC中恢复高频信息。更重要的是，当网络深入时，应用残差学习来减轻训练难度。在基准数据集上进行的大量实验证明了我们方法的有效性。RL-CSC（30层）优于几种最新的最先进技术，例如，DRRN（52层）和MemNet（80层）在准确性和视觉质量方面都有很大的提高。代码和更多结果可在https://github.com/axzml/RL-CSC上获得。
2018-12-31 cs.CV
Fast Spatio-Temporal Residual Network for Video Super-Resolution
Wuhan University（武汉大学）；The University of Sydney（悉尼大学）
最近，基于深度学习的视频超分辨率（SR）方法取得了令人满意的性能。为了同时利用视频的空间和时间信息，采用三维（3D）卷积是一种自然的方法。然而，直接利用3D卷积可能导致过高的计算复杂性，这限制了视频SR模型的深度，从而损害了性能。在本文中，我们提出了一种新的快速时空残差网络（FSTRN），采用3D卷积的视频SR任务，以提高性能，同时保持低的计算负载。具体来说，我们提出了一种快速的时空残差块（FRB），它将每个3D滤波器划分为两个3D滤波器的乘积，这两个3D滤波器具有相当低的维度。此外，我们设计了一个跨空间的残差学习，直接连接低分辨率空间和高分辨率空间，这可以大大减轻计算负担的特征融合和放大部分。对基准数据集的广泛评估和比较验证了所提出的方法的优势，并表明所提出的网络显着优于当前最先进的方法。
2019-04-05 cs.CV
GRAN: Ghost Residual Attention Network for Single Image Super Resolution
Northwestern Polytechnical University（西北工业大学）
近年来，许多研究者设计了更宽、更深的网络来实现更高的图像超分辨率性能。尽管它们具有出色的性能，但它们仍然受到高计算资源的影响，使其无法直接应用于嵌入式设备。为了减少计算资源和保持性能，我们提出了一种新的幽灵剩余注意力网络（GRAN）的高效超分辨率。本文引入了Ghost Residual Attention Block（GRAB）组来克服标准卷积运算的缺点，即，中间特征的冗余。GRAB由Ghost模块和通道与空间注意力模块（CSAM）组成，以减少冗余特征的生成。具体来说，Ghost Module可以通过使用线性运算来代替标准卷积来揭示内在特征的信息。通过Ghost模块减少冗余功能，我们的模型降低了网络中的内存和计算资源需求。CSAM更全面地关注特征提取在哪里和提取什么，这对恢复图像细节至关重要。在基准数据集上进行的实验表明，我们的方法在定性和定量方面都具有优异的性能。与基准模型相比，我们以更低的计算资源实现了更高的性能，其参数和FLOPs降低了十倍以上。
2023-03-02 cs.CV
Deep Inception-Residual Laplacian Pyramid Networks for Accurate Single Image Super-Resolution
通过以有效的方式利用大图像区域上的上下文信息，深度卷积神经网络在单图像超分辨率（SR）方面表现出令人印象深刻的性能。在本文中，我们提出了一种深度卷积网络，通过在深度拉普拉斯金字塔框架内级联设计良好的接收-残差块来逐步恢复高分辨率（HR）图像中丢失的高频细节。通过优化我们的网络结构，所提出的网络的可训练深度获得了显着的改善，这反过来又提高了超分辨精度。然而，随着我们的网络深度的增加，训练精度的饱和和下降仍然是一个关键问题。对此，我们提出了一种有效的两阶段训练策略，其中我们首先使用从地面真实HR图像下采样的图像作为最佳目标，以梯度裁剪实现的极高学习率训练每个金字塔级别中的接收残差块，然后使用地面真实HR图像对所有预训练的接收残差块进行微调，以获得最终的SR模型。此外，我们提出了一个新的损失函数在图像空间和局部秩空间操作，以优化我们的网络，利用不同的输出组件之间的上下文信息。在基准数据集上的大量实验验证了该方法在客观评价和视觉质量方面优于现有的最先进的SR方法。
2017-11-15 cs.CV
Residual Local Feature Network for Efficient Super-Resolution
ByteDance Inc（字节跳动公司）
基于深度学习的方法在单图像超分辨率（SISR）方面取得了很好的性能。然而，高效超分辨率的最新进展集中在减少参数和FLOP的数量上，并且它们通过复杂的层连接策略提高特征利用率来聚合更强大的特征。这些结构对于实现更高的运行速度可能不是必需的，这使得它们难以被部署到资源受限的设备。在这项工作中，我们提出了一种新的残留局部特征网络（RLFN）。其主要思想是使用三个卷积层进行残余局部特征学习，以简化特征聚合，从而在模型性能和推理时间之间实现良好的权衡。此外，我们重新审视了流行的对比度损失，并观察到其特征提取器的中间特征的选择对性能有很大的影响。此外，我们还提出了一种新的多阶段热启动训练策略。在每个阶段中，来自前一阶段的预训练权重被用来提高模型性能。结合改进的对比度损失和训练策略，所提出的RLFN在运行时间方面优于所有最先进的高效图像SR模型，同时保持SR的PSNR和SSIM。此外，我们在NTIRE 2022高效超分辨率挑战赛的运行时间赛道中获得第一名。代码将在https://github.com/fyan111/RLFN上提供。
2022-05-16 cs.CV
Deep Edge Guided Recurrent Residual Learning for Image Super-Resolution
Peking University（北京大学）；National University of Singapore（新加坡国立大学）；Snapchat Inc.（Snapchat公司）
在这项工作中，我们考虑的图像超分辨率（SR）的问题。图像SR的主要挑战是恢复对人类感知重要的低分辨率（LR）图像的高频细节。为了解决这个本质上不适定的问题，我们引入了一个深度边缘引导的REcurrent rEsidual~（DEGREE）网络来逐步恢复高频细节。与大多数直接预测高分辨率（HR）图像的现有方法不同，DEGREE研究了一种替代路线，通过递归残差学习来恢复一对LR和HR图像之间的差异。DEGREE进一步增强了SR过程的边缘保持能力，即LR图像及其边缘图可以在递归恢复过程中联合推断HR图像的尖锐边缘细节。为了加快其训练收敛速度，在多个层次的DEGREE的旁路连接。此外，我们从图像信号的子带频率分解的角度提供了对DEGREE的理解，并通过实验演示了DEGREE如何分别恢复不同的频带。在三个基准数据集上进行的大量实验清楚地表明了DEGREE相对于成熟基线的优越性，并且DEGREE还在这些数据集上提供了新的最先进技术。
2016-07-18 cs.CV
Real-Time Quality Assessment of Pediatric MRI via Semi-Supervised Deep Nonlocal Residual Neural Networks
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Korea University（高丽大学）
在本文中，我们介绍了一种图像质量评估（IQA）的方法，儿科T1和T2加权磁共振图像。首先使用非局部残差神经网络（NR-Net）逐切片执行IQA，然后使用随机森林聚集切片QA结果进行体积分析。我们的方法只需要少量的质量注释图像进行训练，并且被设计为对注释噪声具有鲁棒性，这些噪声可能是由于评分员错误以及图像体积中不可避免的好切片和坏切片的混合而发生的。使用一小组经过质量评估的图像，我们对NR-Net进行预训练，用初始质量评级（即，通过、有问题、失败），然后我们通过半监督学习和迭代自训练来改进。实验结果表明，我们的方法，只使用中等大小的样本训练，表现出很大的泛化能力，能够实时的【形】（毫秒每卷）大规模IQA与接近完美的准确性。
2020-05-22 cs.CV
Video Super-Resolution Using a Grouped Residual in Residual Network
Sharif University of Technology（谢里夫理工大学）
本文提出分组残差嵌套残差网络（GRRN）用于视频超分辨率，通过调整超参数训练三个不同参数量的网络，与现有方法比较，虽定量指标未胜出，但输出图像质量可接受。
2023-10-17 cs.CV eess.IV
Segmentation-free PVC for Cardiac SPECT using a Densely-connected Multi-dimensional Dynamic Network
Yale University（耶鲁大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
在核成像中，有限的分辨率导致影响图像清晰度和定量准确性的部分体积效应（PVE）。结合CT或MRI的高分辨率解剖信息的部分容积校正（PVC）方法已被证明是有效的。然而，这种解剖学引导的方法通常需要冗长的图像配准和分割步骤。准确分割的器官模板也很难获得，特别是在心脏SPECT成像中，这是由于缺乏具有高端CT和相关运动伪影的混合SPECT/CT扫描仪。轻微的误配准/误分割将导致PVC后图像质量严重下降。在这项工作中，我们开发了一种基于深度学习的方法，用于快速心脏SPECT PVC，而无需解剖信息和相关器官分割。所提出的网络涉及一种密集连接的多维动态机制，即使在网络经过充分训练之后，也可以根据输入图像调整卷积核。引入心肌内血容量（IMBV）作为网络优化的附加临床相关损失函数。在GE Discovery NM/CT 570 c专用心脏SPECT扫描仪上采集的28项犬研究中，使用锝-99m标记的红细胞进行了64层CT，证明了所提出的网络具有良好的性能。这项工作表明，所提出的网络与密集连接的动态机制产生优越的结果相比，相同的网络没有这样的机制。结果还表明，所提出的网络没有解剖信息，可以产生具有统计学可比的IMBV测量的图像，解剖引导的PVC方法，这可能有助于临床翻译所产生的图像。
2022-12-03 cs.CV cs.LG eess.IV
Distilling with Residual Network for Single Image Super Resolution
Xidian University（西安电子科技大学）
最近，深度卷积神经网络（CNN）在单幅图像超分辨率（SISR）方面取得了显著进展。然而，盲目地使用残差结构和稠密结构从LR图像中提取特征，会导致网络臃肿，难以训练。为了解决这些问题，我们提出了一个简单而有效的提取与残留网络（DRN）的SISR。具体地说，我们提出了包含两个分支的残差提取块（RDB），其中一个分支执行残差操作，另一个分支提取有效信息。为了进一步提高效率，我们通过堆叠一些RDB和一个长跳跃连接来设计残差提取组（RDG），它可以有效地提取局部特征并将其与全局特征融合。这些有效的特征有益地有助于图像重建。在基准数据集上的实验表明，我们的DRN优于最先进的方法，特别是在性能和模型大小之间有更好的权衡。
2019-07-05 cs.CV eess.IV
MPRNet: Multi-Path Residual Network for Lightweight Image Super Resolution
Computer Vision Center（计算机视觉中心）；ESPOL Polytechnic University（ESPOL理工大学）
轻量级超分辨率网络对于现实世界的应用具有极其重要的意义。近年来，以牺牲内存和计算成本为代价，提出了几种取得突出成就的SR深度学习方法。为了克服这个问题，提出了一种新的轻量级超分辨率网络，它提高了SOTA在轻量级SR的性能和执行大致类似的计算昂贵的网络。多路径残差网络设计有一组残差级联块，这些块与自适应残差块堆叠在一起：（$i$）用于自适应地提取信息特征并学习更具表现力的空间上下文信息;（$ii$）用于在上采样阶段之前更好地利用多级表示;以及（$iii$）用于允许网络内的有效信息和梯度流。所提出的架构还包含一个新的注意力机制，双重注意力模块，以最大限度地提高模型的表示能力。大量的实验表明，我们的模型对其他SOTA SR方法的优越性。
2020-11-09 cs.CV eess.IV
FREDSR: Fourier Residual Efficient Diffusive GAN for Single Image Super Resolution
Massachusetts Institute of Technology（麻省理工学院）；Phillips Exeter Academy（菲利普斯埃克塞特学院）
FREDSR是一种GAN变体，旨在以每个数据集的泛化为代价，在特定任务（如单图像超分辨率）中超越传统的GAN模型。FREDSR集成了快速傅立叶变换、残差预测、扩散鉴别器等，与UHDSR 4K数据集上的其他模型相比，FREDSR在360 p和720 p的单图像3倍超分辨率方面具有强大的性能，仅需37000个参数。该模型遵循给定数据集的特征，导致泛化能力较低，但在实时的升级等任务上性能更高。
2022-11-30 cs.CV eess.IV
A Dynamic Residual Self-Attention Network for Lightweight Single Image Super-Resolution
Seoul National University（首尔大学）
深度学习方法在许多应用中表现出出色的性能，包括单图像超分辨率（SISR）。通过残差连接架构，深度堆叠的卷积神经网络为SISR提供了实质性的性能提升，但其巨大的参数和计算负载对于现实世界的应用来说是不切实际的。因此，设计具有可接受性能的轻量级模型是当前SISR研究的主要任务之一。轻量级网络设计的目标是平衡计算负载和重建性能。以往的方法大多是人工设计复杂的预定义固定结构，一般需要大量的实验，且在输入图像统计的多样性上缺乏灵活性。在本文中，我们提出了一个动态的残余自注意力网络（DRSAN）的轻量级SISR，同时专注于自动化设计的剩余连接的积木。DRSAN具有基于动态剩余注意力的动态剩余连接，根据输入统计自适应地改变其结构。具体来说，我们提出了一个动态残差模块，通过寻找残差路径和输入图像统计之间的相互关系，以及为每个残差路径分配适当的权重来显式地建模，我们还提出了一个残差自注意（RSA）模块，通过与残差结构合作，产生三维注意图，而无需额外的参数，以进一步提高性能。建议的动态计划，利用组合的RSA和RSA，计算复杂性和网络性能之间的有效权衡。实验结果表明，DRSAN的性能优于或相当于现有的国家的最先进的轻量级模型SISR。
2021-12-08 cs.CV eess.IV
Residual Contrastive Learning for Image Reconstruction: Learning Transferable Representations from Noisy Images
University of Oxford（牛津大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文研究了用于低层图像复原和增强任务的对比学习（CL）。我们提出了一种新的基于残差的标签高效学习范式，即残差对比学习（RCL），并推导出一个无监督的视觉表示学习框架，适用于具有噪声输入的低级视觉任务。虽然监督图像重建的目的是最大限度地减少残差项直接，RCL替代建立残差和CL之间的连接，通过定义一个新的实例判别借口任务，使用残差作为判别特征。我们的制定减轻了严重的任务之间的不对齐实例歧视借口任务和下游图像重建任务，目前在现有的CL框架。实验上，我们发现RCL可以学习鲁棒和可转移的表示，与最近专门为噪声输入设计的自监督方法相比，可以提高各种下游任务的性能，例如去噪和超分辨率。此外，我们的无监督预训练可以显着降低注释成本，同时保持与全监督图像重建相比的性能竞争力。
2022-04-27 cs.CV cs.LG
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution
Northwestern Polytechnical University（西北工业大学）
基于深度学习的高光谱图像超分辨率（SR）方法近年来取得了巨大的成功。然而，现有的模型大多不能同时有效地探索波段间的空间信息和光谱信息，获得的性能相对较低。为了解决这个问题，在本文中，我们提出了一种新的光谱空间残差网络的高光谱图像超分辨率（SSRNet）。我们的方法可以通过使用3D卷积而不是2D卷积来有效地探索空间光谱信息，这使得网络能够更好地提取潜在的信息。此外，我们设计了一个频谱-空间残差模块（SSRM），通过局部特征融合，自适应地从单元中的所有层次特征中学习更多有效的特征，显着提高了算法的性能。在每个单元中，我们采用空间和时间可分离的三维卷积来提取空间和光谱信息，这不仅减少了无法负担的内存使用和高计算成本，而且使网络更容易训练。在三个基准数据集上的广泛评估和比较表明，与现有的最先进的方法相比，所提出的方法具有更好的性能。
2020-01-14 cs.CV eess.IV
Single Image Super-Resolution via Residual Neuron Attention Networks
University of Electronic Science and Technology of China（电子科技大学）
深度卷积神经网络（DCNN）在单图像超分辨率（SISR）方面取得了令人印象深刻的性能。为了进一步提高性能，现有的基于CNN的方法通常侧重于设计更深层次的网络架构。然而，我们认为盲目地增加网络的深度并不是最明智的方式。在本文中，我们提出了一种新的端到端的残余神经元注意力网络（RNAN）更有效和有效的SISR。从结构上讲，我们的RNAN是精心设计的全局上下文增强残差组（GCRG）的顺序集成，它从粗到细提取超分辨特征。我们的GCRG设计有两个创新点。首先，在GCRG的每个块中提出了残余神经元注意（RNA）机制，以揭示神经元的相关性，以更好地表示特征。此外，全局上下文（GC）块被嵌入到RNAN在每个GCRG的末尾，有效地建模的全局上下文信息。实验结果表明，我们的RNAN实现了与国家的最先进的方法在定量指标和视觉质量方面的可比结果，但是，与简化的网络架构。
2020-05-21 cs.CV eess.IV
Hierarchical Residual Attention Network for Single Image Super-Resolution
Computer Vision Center（计算机视觉中心）；Element AI；Herta Security
卷积神经网络是单图像超分辨率中最成功的模型。更深层次的网络、残余连接和注意力机制进一步提高了他们的表现。然而，这些策略往往提高重建性能的代价是大大增加了计算成本。本文提出了一种新的轻量级超分辨率模型的基础上，一个有效的方法，残余特征和注意力聚合。为了有效地利用剩余特征，这些特征被分层聚合到特征库中，以便在网络输出处进行后验使用。并行地，一个轻量级的分层注意力机制从网络中提取最相关的特征到注意力银行，以提高最终输出，并防止通过网络内部的连续操作的信息丢失。因此，处理被分成两个独立的计算路径，可以同时进行，从而产生一个高效和有效的模型，用于从低分辨率图像重建高分辨率图像的细节。我们提出的架构在几个数据集中超越了最先进的性能，同时保持相对较低的计算和内存占用。
2020-12-08 cs.CV eess.IV
Deep Iterative Residual Convolutional Network for Single Image Super-Resolution
University of Udine（乌迪内大学）
深度卷积神经网络（CNN）最近在单图像超分辨率（SISR）任务方面取得了巨大成功，这是由于其强大的特征表示能力。最新的基于深度学习的SISR方法专注于设计更深/更宽的模型，以学习低分辨率（LR）输入和高分辨率（HR）输出之间的非线性映射。这些现有的SR方法不考虑图像观测（物理）模型，因此需要大量的网络的可训练参数与大量的训练数据。为了解决这些问题，我们提出了一种深度迭代超分辨率残差卷积网络（ISRResCNet），它通过残差学习方法以迭代方式训练深度网络，利用强大的图像正则化和大规模优化技术。在各种超分辨率基准上的大量实验结果表明，与最先进的方法相比，我们的方法具有一些可训练的参数，改善了不同缩放因子的结果。
2020-09-07 cs.CV eess.IV
Underwater Image Super-Resolution using Deep Residual Multipliers
University of Minnesota, Twin Cities（明尼苏达大学双城分校）
我们提出了一种基于深度残差网络的水下图像单图像超分辨率（SISR）的生成模型，供自主水下机器人使用。我们还提供了一个对抗训练管道，用于从配对数据中学习SISR。为了监督训练，我们制定了一个目标函数，该目标函数根据图像的全局内容、颜色和局部样式信息来评估图像的\textit{perceptual quality}。此外，我们提出了USR-248，一个大规模的数据集的三组水下图像的“高”（640 x480）和“低”（80 x60，160 x120和320 x240）的空间分辨率。USR-248包含用于2x、4x或8x SISR模型的监督训练的配对实例。此外，我们通过定性和定量实验验证了我们提出的模型的有效性，并将结果与几个最先进的模型的性能进行比较。我们还分析了其实际应用的可行性，如场景理解和注意力建模在嘈杂的视觉条件下。
2020-02-24 cs.CV eess.IV
Deep Artifact-Free Residual Network for Single Image Super-Resolution
Islamic Azad University, Science and Research Branch（伊斯兰阿扎德大学科学与研究分支）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；University of Tabriz（大不里士大学）；Singapore University of Technology and Design（新加坡科技设计大学）
最近，卷积神经网络在单图像超分辨率方面表现出了很好的性能。在本文中，我们提出了深度无伪影残差（DAFR）网络，它利用残差学习和使用地面真实图像作为目标的优点。我们的框架使用深度模型来提取高质量图像重建所需的高频信息。在图像重建之前，我们使用跳过连接将低分辨率图像馈送到网络。通过这种方式，我们能够使用地面实况图像作为目标，并避免由于差异图像中的伪影而误导网络。为了提取干净的高频信息，我们分两步对网络进行训练。第一步是一个传统的残差学习，它使用的差异图像作为目标。然后，将该步骤的训练参数转移到第二步骤中的主训练。实验结果表明，该方法实现了更好的定量和定性的图像质量相比，现有的方法。
2020-09-25 cs.CV eess.IV
Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution
University of Udine（乌迪内大学）
目前大多数基于深度学习的单图像超分辨率（SISR）方法都专注于设计更深/更宽的模型，以从大量配对（LR/HR）训练数据中学习低分辨率（LR）输入和高分辨率（HR）输出之间的非线性映射。他们通常假设LR图像是HR图像的双三次下采样版本。然而，这样的降级过程在现实世界的设置中是不可用的，即固有的传感器噪声、随机噪声、压缩伪影、图像降级过程与相机设备之间的可能失配。由于真实世界的图像损坏，它显着降低了当前SISR方法的性能。为了解决这些问题，我们提出了一个深度超分辨率残差卷积生成对抗网络（SRResCGAN），通过对抗训练模型，在HR域中从其生成的LR对应物中进行像素监督，来跟踪真实世界的退化设置。该网络通过使用强大的图像正则化和凸优化技术最小化基于能量的目标函数来利用残差学习。我们在定量和定性实验中证明了我们提出的方法，这些实验可以鲁棒地推广到真实输入，并且很容易部署到其他降尺度运营商和移动/嵌入式设备。
2020-05-03 cs.CV eess.IV
Ultra Sharp : Study of Single Image Super Resolution using Residual Dense Network
University of Massachusetts（马萨诸塞大学）
本文研究用于单图像超分辨率的残差密集网络，分析其核心RDB等模块、分层特征利用及损失指标，并与其他最先进模型比较以验证有效性。
2023-04-24 cs.CV eess.IV
Residual Feature Distillation Network for Lightweight Image Super-Resolution
Nanjing University（南京大学）
单图像超分辨率（SISR）的最新进展探索了卷积神经网络（CNN）的能力，以实现更好的性能。尽管基于CNN的方法取得了巨大的成功，但由于计算量大，将这些方法应用于边缘设备并不容易。为了解决这个问题，已经提出了各种快速和轻量级的CNN模型。信息提取网络是一种基于通道分裂操作的提取特征的方法。然而，这是不够清楚的操作如何帮助设计有效的SISR模型。在本文中，我们提出了特征蒸馏连接（FDC），它在功能上等同于通道分裂操作，同时更轻量级和灵活。由于FDC，我们可以重新思考信息多蒸馏网络（IMDN），并提出了一个轻量级的和准确的SISR模型称为剩余特征蒸馏网络（RFDN）。RFDN使用多个特征提取连接来学习更多有区别的特征表示。我们还提出了一个浅残差块（SRB）作为RFDN的主要构建块，以便网络可以从残差学习中受益最多，同时仍然足够轻量级。大量的实验结果表明，所提出的RFDN实现了一个更好的权衡对国家的最先进的方法在性能和模型的复杂性。此外，我们提出了一种增强的RFDN（E-RFDN），并在AIM 2020高效超分辨率挑战赛中获得第一名。代码将在https://github.com/njulj/RFDN上提供。
2020-09-24 cs.CV eess.IV
AniRes2D: Anisotropic Residual-enhanced Diffusion for 2D MR Super-Resolution
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins School of Medicine（约翰斯·霍普金斯大学医学院）
本文提出AniRes2D，将DDPM与残差预测结合用于2D各向异性MR切片超分辨率，在定量、视觉及域外评估中优于同类DDPM模型，并可逐切片重建3D体积。
2023-12-07 cs.CV eess.IV
Unsupervised MRI Super-Resolution Using Deep External Learning and Guided Residual Dense Network with Multimodal Image Priors
Osaka Electro-Communication University（大阪电气通信大学）；Ritsumeikan University（立命馆大学）；Shiga University of Medical Science（滋贺医科大学）
深度学习技术已经为自然图像带来了最先进的图像超分辨率。通常，成对的高分辨率和低分辨率图像用于训练深度学习模型。这些技术也被应用于医学图像的超分辨率。医学图像的特征在几个方面与自然图像显著不同。首先，由于成像系统和临床要求的限制，在实际临床应用中难以获得用于训练的高分辨率图像。其次，其他模态高分辨率图像是可用的（例如，高分辨率T1加权图像可用于增强低分辨率T2加权图像）。在本文中，我们提出了一种无监督的图像超分辨率技术的基础上简单的先验知识的人体解剖。该技术不需要目标T2WI高分辨率图像进行训练。此外，我们还提出了一种引导的残差密集网络，它将残差密集网络与引导的深度卷积神经网络结合起来，通过参考同一主题的不同模态高分辨率图像来增强低分辨率图像的分辨率。在公开的脑MRI数据库上的实验表明，我们提出的方法比现有的方法具有更好的性能。
2022-10-13 cs.CV eess.IV
Time accelerated image super-resolution using shallow residual feature representative network
The University of New Mexico（新墨西哥大学）
深度学习的最新进展表明了单图像超分辨率领域的重大进展。随着这些技术的出现，高分辨率图像具有高峰值信噪比（PSNR）和良好的感知质量可以重建。与现有深度卷积神经网络相关的主要挑战是它们的计算复杂度和时间;网络深度的增加通常会导致高空间复杂度。为了缓解这些问题，我们开发了一种创新的浅残差特征代表网络（SRFRN），该网络使用双三次插值的低分辨率图像作为输入和残差代表单元（RFR），其中包括串行堆叠的残差非线性卷积。此外，通过组合RFR单元的输出和来自双三次插值LR图像的残差输出来完成高分辨率图像的重建。最后，在基准数据集上进行了多个实验，该模型在更高尺度上表现出优越的性能。此外，该模型还表现出更快的执行时间相比，所有现有的方法。
2020-04-08 cs.CV cs.LG eess.IV
Hybrid Residual Attention Network for Single Image Super Resolution
Kyung Hee University（庆熙大学）
卷积神经网络（CNN）特征的提取和合理利用对图像超分辨率（SR）的性能有着重要的影响。虽然CNN特征包含空间和信道信息，但是由于使用空间或信道信息，SR上的当前深度技术通常遭受最大化性能。此外，它们将此类信息集成到深度或广度的网络中，而不是利用所有可用的功能，最终导致高计算复杂性。为了解决这些问题，我们提出了一个二值化的特征融合（BFF）结构，利用从残差组（RG）中提取的特征，在一个有效的方式。每个残差组（RG）由多个混合残差注意力块（HRAB）组成，该混合残差注意力块有效地将多尺度特征提取模块和通道注意力机制集成在单个块中。此外，我们使用具有不同膨胀因子的膨胀卷积来提取多尺度特征。我们还建议采用全局，短和长跳过连接和剩余组（RG）结构，以减轻信息流，而不会丢失重要的功能细节。在本文中，我们称之为混合剩余注意力网络（HRAN）的整体网络架构。在实验中，我们已经观察到我们的方法对最先进的方法进行定量和定性比较的有效性。
2019-07-11 cs.CV cs.LG eess.IV
RDRN: Recursively Defined Residual Network for Image Super-Resolution
Huawei（华为）
深度卷积神经网络（CNN）在单图像超分辨率（SISR）方面取得了显着的性能。然而，非常深的网络可能会遇到训练困难，并且很难实现进一步的性能提升。有两个主要的趋势来解决这个问题：改进网络架构，通过大量的层，更好地传播功能和设计一个注意力机制，选择最丰富的功能。最近的SISR解决方案提出了高级注意和自我注意机制。然而，构建一个网络以最有效的方式使用注意力块是一个具有挑战性的问题。为了解决这个问题，我们提出了一个通用的递归定义的残差块（RDRB）更好的特征提取和传播通过网络层。在RDRB的基础上，我们设计了递归定义的残差网络（RDRN），一种新的网络结构，有效地利用注意力块。大量的实验表明，该模型在几个流行的超分辨率基准测试中取得了最先进的结果，并优于以前的方法高达0.43 dB。
2022-11-17 cs.CV cs.LG eess.IV
Densely Dilated Spatial Pooling Convolutional Network using benign loss functions for imbalanced volumetric prostate segmentation
前列腺疾病的高发病率提出了早期检测诊断的要求。磁共振成像（MRI）作为前列腺癌检测的主要成像方法之一，具有广泛的外观和不平衡问题，使自动前列腺分割成为基本但具有挑战性的问题。本文提出了一种新的密集扩展空间池卷积网络（DDSP ConNet）的编解码器结构。该算法采用稠密结构将扩张卷积和全局池化相结合，从而提供了编码器和解码器子网的粗分割结果，并保留了更多的上下文信息。为了获得更丰富的层次特征图，进一步采用残差长连接融合纹理特征。同时，采用DSC损失函数和Jaccard损失函数对DDSP ConNet进行训练。我们惊奇地发现并证明了，与加权交叉熵相比，DSC损失和Jaccard损失在理论上具有许多良好的性质，包括网络参数的对称性、连续性和可微性。在MICCAI PROMISE12挑战数据集上进行了广泛的实验，以证实我们的DDSP ConNet与DSC损失和Jaccard损失的有效性。总的来说，我们的方法在测试数据集中获得了85.78的分数，优于大多数其他竞争对手。
2018-02-01 cs.CV
Image Super-Resolution Using Attention Based DenseNet with Residual Deconvolution
Beijing Technology and Business University（北京工商大学）
图像的超分辨率是一个具有挑战性的课题，已经引起了研究和工业界越来越多的关注。在本文中，我们提出了一种新的端到端的基于注意力的DenseNet与残留反卷积命名为ADRD。在我们的ADRD中，一个加权的密集块，其中当前层接收加权功能从所有以前的水平，提出了捕捉有价值的功能依赖于密集层自适应。提出了一种新的空间注意模块，用于生成一组注意图，以强调信息区域。此外，我们设计了一种创新的策略，通过反卷积层对残差信息进行上采样，从而可以准确地对高频细节进行上采样。在公开数据集上进行的大量实验表明，所提出的ADRD在定量和定性方面都具有良好的性能。
2019-07-03 cs.CV cs.LG eess.IV
Neural Architecture Search for Image Super-Resolution Using Densely Constructed Search Space: DeCoNAS
Seoul National University（首尔大学）
深度卷积神经网络的最新进展在单图像超分辨率（SISR）和许多其他视觉任务中取得了巨大成功。通过深化网络和发展更复杂的网络结构，它们的业绩也在提高。然而，为给定的问题找到一个最优的结构是一项艰巨的任务，即使是人类专家。出于这个原因，神经架构搜索（NAS）的方法已经被引入，自动化的过程中构建的结构。本文将NAS扩展到超分辨率领域，提出了一种轻量级的密集连接网络DeCoNASNet。我们使用一个分层的搜索策略，以找到最好的连接与本地和全球的功能。在这个过程中，我们定义了一个基于复杂度的惩罚解决图像超分辨率，这可以被认为是一个多目标问题。实验表明，我们的DeCoNASNet优于最先进的轻量级超分辨率网络设计的手工方法和现有的基于NAS的设计。
2021-04-19 cs.CV
Multi-image Super Resolution of Remotely Sensed Images using Residual Feature Attention Deep Neural Networks
Politecnico di Torino（都灵理工大学）；PIC4SeR（都灵理工大学跨部门服务机器人中心）
卷积神经网络（CNN）一直被证明是图像超分辨率（SR）的最新成果，为遥感领域从捕获的数据中提取更多信息和知识提供了一个难得的机会。然而，迄今为止，文献中发表的大多数工作都集中在单图像超分辨率问题上。目前，基于卫星的遥感平台提供了巨大的数据可用性与高的时间分辨率和低的空间分辨率。在这种情况下，本研究提出了一种新的剩余注意力模型（RAMS），有效地解决了多图像超分辨率任务，同时利用空间和时间相关性来组合多个图像。我们引入了三维卷积的视觉特征注意机制，以获得多个低分辨率图像的感知数据融合和信息提取，超越卷积操作的局部区域的限制。此外，在同一场景中有多个输入，我们的表示学习网络广泛使用嵌套的残差连接，让冗余的低频信号流动，并将计算集中在更重要的高频分量上。针对其他可用解决方案的广泛实验和评估，无论是单图像还是多图像超分辨率，都表明所提出的基于深度学习的解决方案可以被认为是遥感应用中多图像超分辨率的最新技术。
2020-07-08 cs.CV cs.LG eess.IV
Densely Supervised Grasp Detector (DSGD)
IBM Research Australia（IBM澳大利亚研究院）
本文介绍了密集监督抓取检测器（DSGD），这是一种深度学习框架，它将CNN结构与逐层特征融合相结合，并在图像层次的不同级别（即，全局、区域和像素级）。%具体而言，在全局级别，DSGD使用整个图像信息来预测抓取。在区域级别，DSGD使用区域建议网络来识别图像中的显著区域，并预测每个显著区域的抓取。在像素级别，DSGD使用完全卷积网络并预测每个像素的抓取及其置信度。%在推理过程中，DSGD选择最自信的抓取作为输出。这种从分层生成的抓取候选中的选择克服了个体模型的局限性。% DSGD在抓取精度方面优于Cornell抓取数据集上的最先进方法。在多对象数据集和真实世界机器人抓取实验上的评估表明，DSGD在新环境中对一组看不见的对象产生高度稳定的抓取。它实现了97%的抓取检测准确率和90%的机器人抓取成功率，并具有实时推理速度。
2019-01-30 cs.CV
MVTec D2S: Densely Segmented Supermarket Dataset
MVTec Software GmbH（MVTec软件有限公司）；Technical University of Munich（慕尼黑工业大学）
我们介绍了密集分段超市（D2S）数据集，一个新的基准实例感知语义分割在工业领域。它包含21，000张高分辨率图像，并带有所有对象实例的像素标签。这些物品包括60个类别的杂货和日常用品。基准测试的设计类似于自动结账、库存或仓库系统的真实设置。训练图像仅包含均匀背景上的单个类别的对象，而验证和测试集则更加复杂和多样化。为了进一步对实例分割方法的鲁棒性进行基准测试，使用不同的光照、旋转和背景来获取场景。我们确保标签中没有歧义，并且每个实例都被全面标记。注释是像素精确的，并允许使用单个实例的作物进行人工数据增强。该数据集涵盖了该领域中高度相关的几个挑战，例如有限的训练数据以及测试和验证集的高度多样性。对D2S上最先进的目标检测和实例分割方法的评估显示出显著的改进空间。
2018-07-25 cs.CV
Densely Decoded Networks with Adaptive Deep Supervision for Medical Image Segmentation
University of Notre Dame（圣母大学）
针对医学图像分割网络密集预测不足、特征鲁棒性弱的问题，提出带选择性辅助连接的密集解码网络与适配数据集属性的自适应深度监督训练策略，在4个多模态数据集上验证了有效性。
2024-03-05 cs.CV
Densely Connected Search Space for More Flexible Neural Architecture Search
Huazhong University of Science and Technology（华中科技大学）；Horizon Robotics（地平线机器人）
神经结构搜索极大地推动了神经网络设计的发展。我们重新审视了以前NAS方法中的搜索空间设计，发现块的数量和宽度都是手动设置的。然而，块计数和块宽度决定了网络规模（深度和宽度），并对准确性和模型成本（FLOP/延迟）产生很大影响。在本文中，我们提出通过设计一个密集连接的搜索空间来搜索块计数和块宽度，即，DenseNAS。新的搜索空间被表示为一个密集的超级网络，这是建立在我们设计的路由块。在超级网络中，路由块是密集连接的，我们搜索它们之间的最佳路径，以获得最终的架构。我们进一步提出了一个链式的成本估计算法来近似模型的搜索过程中的成本。在DenseNAS中，精度和模型成本都得到了优化。对于基于MobileNetV 2的搜索空间的实验，DenseNAS在ImageNet上实现了75.3%的top-1准确率，在单个TITAN-XP上只有361 MB的FLOP和17.9 ms的延迟。DenseNAS搜索的更大的模型实现了76.1%的准确率，只有4.79亿FLOP。DenseNAS进一步提升了ResNet-18、-34和-50-B的ImageNet分类准确率，分别提升了1.5%、0.5%和0.3%，FLOPs分别减少了200 M、600 M和680 M。相关代码可在https://github.com/JaminFong/DenseNAS上获得。
2020-04-09 cs.CV
Connection Reduction of DenseNet for Image Recognition
Tamkang University（淡江大学）
卷积神经网络（CNN）通过堆叠卷积层来增加深度，更深的网络模型在图像识别中表现更好。实证研究表明，简单地堆叠卷积层并不能使网络训练更好，跳过连接（残差学习）可以提高网络模型性能。对于图像分类任务，具有全局密集连接架构的模型在ImageNet等大型数据集中表现良好，但不适合CIFAR-10和SVHN等小型数据集。与密集连接不同，我们提出了两种新的层连接算法。Baseline是一个密集连接的网络，两个新算法连接的网络分别命名为ShortNet 1和ShortNet 2。在CIFAR-10和SVHN上的图像分类实验结果表明，ShortNet 1的测试出错率比Baseline低5%，推理时间比Baseline快25%。ShortNet 2将推理时间加快了40%，测试准确性损失更少。代码和预训练模型可在https://github.com/RuiyangJu/Connection_Reduction上获得。
2022-11-15 cs.CV
A Densely Interconnected Network for Deep Learning Accelerated MRI
Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）；Amsterdam UMC, University of Amsterdam（阿姆斯特丹大学医学中心（阿姆斯特丹大学））；Vestfold Hospital Trust（韦斯特福尔医院信托）
本文提出一种密集互连残差级联网络（DIRCN），通过输入级密集连接、改进子网络和长距离跳跃连接改进加速MRI重建，在四倍和八倍加速下显著提升了SSIM并降低了NMSE。
2023-05-22 cs.CV eess.IV
Efficient and Accurate MRI Super-Resolution using a Generative Adversarial Network and 3D Multi-Level Densely Connected Network
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Biomedical Imaging Research Institute, Cedars-Sinai Medical Center（西达赛奈医学中心生物医学成像研究所）
高分辨率（HR）磁共振图像（MRI）提供了对临床应用和定量图像分析非常重要的详细解剖信息。然而，HR MRI通常以较长的扫描时间、较小的空间覆盖和较低的信噪比（SNR）为代价。最近的研究表明，单图像超分辨率（SISR）是一种从单个低分辨率（LR）输入图像中恢复HR细节的技术，可以在高级深度卷积神经网络（CNN）的帮助下提供高质量的图像细节。然而，深度神经网络消耗大量内存并且运行缓慢，特别是在3D设置中。在本文中，我们提出了一种新的3D神经网络设计，即多层密集连接超分辨率网络（mDCSRN）与生成对抗网络（GAN）引导的训练。mDCSRN快速训练和推理，而GAN促进几乎无法与原始HR图像区分的逼真输出。我们在1，113个受试者的数据集上进行的实验结果表明，我们的新架构在恢复4倍分辨率降级图像方面击败了其他流行的深度学习方法，并且运行速度快了6倍。
2018-06-09 cs.CV eess.IV
A Co-Training Semi-Supervised Framework Using Faster R-CNN and YOLO Networks for Object Detection in Densely Packed Retail Images
Khazar University（哈扎尔大学）；Politecnico di Milano（米兰理工大学）；Duy Tan University（维新大学）
本研究提出一种半监督协同训练框架，结合Faster R-CNN与YOLO交换伪标签，并集成XGBoost等分类器与元启发式优化，有效提升了密集零售图像目标检测的精度与效率。
2025-09-11 cs.AI cs.CV
