Screentone-Aware Manga Super-Resolution Using DeepLearning
本文提出一种基于深度学习的网点感知漫画超分辨率方法,通过分类不同网点区域和线条,并应用相应超分辨率模型,在提升分辨率的同时保持网点密度含义。
2023-05-15 cs.CV eess.IV
Boosting Diffusion Guidance via Learning Degradation-Aware Models for Blind Super Resolution
本文提出DADiff,通过学习降质感知模型提升扩散引导,解决盲超分辨率中的降质核依赖问题,实现高保真结果。
2025-01-23 cs.CV eess.IV
OPDN: Omnidirectional Position-aware Deformable Network for Omnidirectional Image Super-Resolution
ByteDance Inc(字节跳动公司);Peking University Shenzhen Graduate School(北京大学深圳研究生院)
本文提出两阶段OPDN框架,通过位置感知可变形块、傅里叶上采样、频率融合与同分辨率增强解决360°图像低角分辨率问题,并赢得NTIRE 2023挑战赛。
2023-04-26 cs.CV eess.IV
Unpaired Optical Coherence Tomography Angiography Image Super-Resolution via Frequency-Aware Inverse-Consistency GAN
The Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong(香港中文大学)
针对OCTA图像配对训练数据难获取且细粒度毛细血管易丢失的问题,提出基于GAN的非配对超分辨率方法,利用双路径生成器和频率感知损失增强高频细节,实验在定量与视觉上均优于现有方法。
2024-12-05 cs.CV eess.IV
Perception- and Fidelity-aware Reduced-Reference Super-Resolution Image Quality Assessment
College of Electronics and Information Engineering, Sichuan University(四川大学电子信息工程学院);Guangxi Normal University(广西师范大学);Yunnan University(云南大学)
本文提出双分支降参考超分辨率图像质量评估网络PFIQA,利用LR图像和缩放因子分别评估SR图像的感知质量与重建保真度,在多个基准上超越现有方法。
2024-07-27 cs.CV eess.IV
Deep Neural Network for Fast and Accurate Single Image Super-Resolution via Channel-Attention-based Fusion of Orientation-aware Features
Zhejiang University(浙江大学);University of Twente(特文特大学)
最近,卷积神经网络(CNN)已被成功地用于解决不适定的单图像超分辨率(SISR)问题。提高基于CNN的SISR模型性能的常用策略是部署非常深的网络,这不可避免地会带来许多明显的缺点(例如,大量网络参数、繁重的计算负载和困难的模型训练)。在本文中,我们的目标是建立更准确,更快的SISR模型,通过开发性能更好的特征提取和融合技术。首先,我们提出了一种新的方位感知特征提取和融合模块(OAM),它包含1D和2D卷积核的混合(即,5 x 1、1 x 5和3 x 3),用于提取方位感知特征。其次,我们采用通道注意力机制作为一种有效的技术,自适应地融合在不同方向和分层堆叠卷积阶段提取的特征。基于这两个重要的改进,我们提出了一个紧凑但功能强大的基于CNN的模型,通过基于信道注意的融合方向感知功能(SISR-CA-OA)的高质量SISR。大量的实验结果验证了所提出的SISR-CA-OA模型的优越性,表现出良好的对国家的最先进的SISR模型在恢复精度和计算效率。源代码将公开提供。
2019-12-09 cs.CV eess.IV
Confidence-aware Levenberg-Marquardt optimization for joint motion estimation and super-resolution
Pattern Recognition Lab, Friedrich-Alexander-Universit\"at Erlangen-N\"urnberg, Erlangen, Germany
跨低分辨率帧的运动估计和高分辨率图像的重建是多帧超分辨率的两个耦合子问题。本文介绍了一种新的运动估计和图像重建的联合优化方法,以解决这种相互依赖性。我们的方法是通过非线性最小二乘优化,并结合了两个原则的鲁棒超分辨率。首先,为了提高联合估计的鲁棒性,我们提出了一个置信度感知的能量最小化框架与稀疏正则化增强。其次,我们开发了一个量身定制的Levenberg-Marquardt迭代方案,以联合估计运动参数和高分辨率图像以及相应的模型置信度参数。我们的模拟和真实图像上的实验证实,所提出的方法优于解耦运动估计和图像重建,以及相关的国家的最先进的联合估计算法。
2016-09-06 cs.CV
UnmixingSR: Material-aware Network with Unsupervised Unmixing as Auxiliary Task for Hyperspectral Image Super-resolution
针对现有高光谱图像超分辨率方法仅学习高低分辨率映射导致病态问题求解可靠性不足的问题,提出UnmixingSR网络,以无监督高光谱解混为辅助任务利用丰度约束提升稳定性,且可即插即用嵌入现有模型,实验验证其性能优异。
2024-07-09 cs.CV eess.IV
Efficient and Phase-aware Video Super-resolution for Cardiac MRI
National Taiwan University(台湾大学)
心脏磁共振成像(CMR)因其能够无创、无痛地显示心脏的结构和功能而被广泛应用。然而,由于硬件的限制,要获得高质量的扫描是耗时和高成本的。为此,我们提出了一种新的端到端可训练网络来解决CMR视频超分辨率问题,而无需硬件升级和扫描协议修改。我们将心脏知识纳入我们的模型,以协助利用时间信息。具体来说,我们制定的心脏知识的周期函数,这是定制,以满足CMR的周期特性。此外,所提出的残差学习方案的残差有利于网络学习的LR-HR映射在一个渐进的细化方式。这种机制使网络具有自适应能力,通过调整细化迭代取决于任务的难度。在大规模数据集上的大量实验结果表明,该方法与许多最先进的方法相比具有优越性。
2020-07-08 cs.CV eess.IV
MAANet: Multi-view Aware Attention Networks for Image Super-Resolution
Hong Kong Polytechnic University(香港理工大学);Shanghai Jiao Tong University(上海交通大学)
近年来,基于深度卷积神经网络(DCNN)的图像超分辨率(SR)在多媒体和计算机视觉领域获得了越来越多的关注,其重点是从低分辨率(LR)图像恢复高分辨率(HR)图像。然而,基于DCNN的方法的一个不可忽视的缺陷是,它们中的大多数不能从具有低频信息冗余的低分辨率图像恢复包含足够高频信息的高分辨率图像。更糟糕的是,随着DCNN深度的增加,训练很容易遇到梯度消失的问题,这使得训练变得更加困难。这些问题阻碍了DCNN在图像SR任务中的有效性。为了解决这些问题,我们提出了多视图感知注意力网络(MAANet)的图像SR任务。具体来说,我们提出了本地意识(LA)和全球意识(GA)的注意力处理LR功能在不平等的方式,它可以突出的高频成分和区分每个功能从LR图像在本地和全球的意见,分别。此外,我们提出了本地注意剩余密集(LARD)块,它结合了LA注意与多个剩余和密集的连接,以适应更深但易于训练的架构。实验结果表明,我们提出的方法可以实现显着的性能相比,其他国家的最先进的方法。
2019-04-12 cs.CV
Hyperspectral Image Restoration and Super-resolution with Physics-Aware Deep Learning for Biomedical Applications
Imperial College London(伦敦帝国学院);University of Cambridge(剑桥大学);University of Barcelona(巴塞罗那大学)
针对高光谱成像分辨率与速度的权衡问题,提出一种物理感知的自监督深度学习方法,实现16倍像素超分辨率和12倍加速,并保持生物完整性,可揭示疾病相关代谢变化。
2026-09-15 cs.CV eess.IV
Space-Time-Aware Multi-Resolution Video Enhancement
Toyota Technological Institute, Japan(日本丰田工业大学);Toyota Technological Institute at Chicago(芝加哥丰田理工学院);Bukalapak
我们考虑的空时超分辨率(ST-SR)的问题:增加视频帧的空间分辨率,同时内插帧,以提高帧速率。现代方法一次处理一个轴。相比之下,我们提出的称为STARnet的模型在空间和时间上联合超分辨。这使我们能够利用时间和空间之间的相互信息关系:更高的分辨率可以提供更详细的运动信息,更高的帧速率可以提供更好的像素对齐。我们的模型中在ST-SR期间生成潜在的低分辨率和高分辨率表示的组件可以用于微调专门的空间或时间超分辨率机制。实验结果表明,STARnet提高了时空,空间和时间的视频超分辨率的性能由公开可用的数据集上的大量利润。
2020-03-30 cs.CV
SeD: Semantic-Aware Discriminator for Image Super-Resolution
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学);Galbot(智位机器人)
针对GAN超分辨率中粗粒度分布学习易产生虚拟纹理的问题,本文提出SeD,利用PVM语义与空间交叉注意力引导判别器进行细粒度真假判别,提升SR与Real SR的真实感生成效果。
2024-02-29 cs.CV eess.IV
CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution
Hanyang University(汉阳大学);NVIDIA(英伟达);Seoul National University(首尔大学)
尽管利用卷积神经网络(CNN)在图像超分辨率(SR)方面取得了突破性进展,但由于SR网络的高计算复杂性,SR尚未享有普遍的应用。量化是解决这一问题的有效方法之一。然而,现有的方法不能将比特宽度低于8比特的SR模型进行量化,由于到处应用固定的比特宽度量化,因此遭受严重的精度损失。在这项工作中,为了实现高平均比特减少与准确性损失少,我们提出了一种新的内容感知动态量化(CADyQ)SR网络的方法,分配最佳的比特到局部区域和层自适应的基础上输入图像的局部内容。为此,引入了一个可训练的位选择器模块,以确定每个层和给定的局部图像补丁的适当的位宽和量化级别。该模块由量化灵敏度控制,该量化灵敏度通过使用补丁的图像梯度的平均幅度和层的输入特征的标准偏差来估计。所提出的量化管道已经在各种SR网络上进行了测试,并在几个标准基准上进行了广泛的评估。计算复杂性的显著降低和提高的恢复精度清楚地证明了所提出的用于SR的CADyQ框架的有效性。代码可在https://github.com/Cheeun/CADyQ获得。
2022-10-30 cs.CV eess.IV
Geometry-Aware Reference Synthesis for Multi-View Image Super-Resolution
Fudan University(复旦大学)
近来的多视图多媒体应用在高分辨率(HR)视觉体验和存储或带宽约束之间挣扎。因此,本文提出了一种多视点图像超分辨率(MVISR)任务。它旨在提高从同一场景捕获的多视图图像的分辨率。一种解决方案是应用图像或视频超分辨率(SR)方法来从低分辨率(LR)输入视图重建HR结果。然而,这些方法不能处理视图之间的大角度变换,并且不能利用所有多视图图像中的信息。为了解决这些问题,我们提出了MVSRnet,它使用的几何信息提取尖锐的细节,从所有LR多视图,以支持SR LR输入视图。具体而言,MVSRnet中提出的几何感知参考合成模块使用几何信息和所有多视图LR图像来合成像素对齐的HR参考图像。然后,建议的动态高频搜索网络充分利用参考图像中的高频纹理细节SR。在几个基准上的大量实验表明,我们的方法显着提高了国家的最先进的方法。
2022-07-21 cs.CV
Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution
KUNBYTE(坤比特);GOLDMYE(金迈)
本文提出了一种考虑退化和保持结构的扩散框架,通过引入退化感知的token注入和空间非对称噪声注入,提升现实世界图像超分辨率的感知质量和结构保持性。
2026-04-13 cs.CV
Semantic-Aware Depth Super-Resolution in Outdoor Scenes
NICTA(澳大利亚国家信息与通信技术研究院);EPFL(洛桑联邦理工学院)
虽然深度传感器越来越受欢迎,但它们的空间分辨率通常仍然有限。因此,深度超分辨率作为该问题的解决方案而出现。尽管取得了很大进展,但现有技术存在两个缺点:(i)它们依赖于强度边缘与深度不连续性重合的假设,不幸的是,这仅在受控环境中是真实的;以及(ii)它们通常利用高分辨率训练深度图的可用性,由于传感器的限制,在实践中通常不能获取高分辨率训练深度图。相比之下,在这里,我们介绍了一种在更具挑战性的条件下(例如在户外场景中)执行深度超分辨率的方法。为此,我们首先提出利用语义信息来更好地约束超分辨率过程。特别是,我们设计了一个共稀疏分析模型,从联合强度,深度和语义信息中学习过滤器。此外,我们还展示了如何在我们的学习策略中使用低分辨率训练深度图。我们证明了我们的方法的好处,超过国家的最先进的深度超分辨率方法在两个室外场景数据集。
2016-05-31 cs.CV
Proba-V-ref: Repurposing the Proba-V challenge for reference-aware super resolution
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);ENS Paris-Saclay(巴黎萨克雷高等师范学院);Centre Borelli(博雷利中心);Kayrros SAS(凯罗斯公司)
PROBA-V超分辨率挑战赛分发真实的低分辨率图像系列和相应的高分辨率目标,以推进卫星图像多图像超分辨率(MISR)的研究。然而,在PROBA-V数据集中,与高分辨率目标对应的低分辨率图像未被识别。我们认为,在这样做的时候,挑战排名提出的方法不仅通过他们的MISR性能,但主要是通过用于猜测该系列中的图像是最相似的高分辨率目标的算法。我们证明了这一点,通过提高性能的挑战,只有通过使用不同的参考图像,我们计算以下一个简单的启发式。在此基础上,我们提出了PROBA-V-REF的PROBA-V数据集的变体,其中提供了低分辨率系列中的参考图像,并显示了在此设置中方法之间的排名变化。这与MISR的许多实际用例相关,其中目标是超分辨率系列的特定图像,即参考是已知的。拟议的PROBA-V-REF应该更好地反映这种参考感知MISR问题的不同方法的性能。
2021-01-26 cs.CV
FCVSR: A Frequency-aware Method for Compressed Video Super-Resolution
School of Information and Communication Engineering, University of Electronic Science and Technology of China(信息与通信工程学院,电子科学与技术大学)
本文提出FCVSR方法,通过运动引导自适应对齐网络和多频率特征细化模块,结合频率感知对比损失,提升压缩视频超分辨率性能,实验表明在PSNR和复杂度上优于现有方法。
2025-10-11 cs.CV
High-Frequency aware Perceptual Image Enhancement
Seoul National University(首尔国立大学)
在本文中,我们介绍了一种适用于多尺度分析的新型深度神经网络,并提出了有效的模型无关方法,帮助网络从高频域提取信息,以重建更清晰的图像。该模型可应用于多尺度图像增强问题,包括去噪、去模糊和单幅图像超分辨率。在SIDD,Flickr2K,DIV2K和REDS数据集上的实验表明,我们的方法在每个任务上都达到了最先进的性能。此外,我们证明了我们的模型可以克服现有面向PSNR的方法中常见的过度平滑问题,并通过应用对抗训练生成更自然的高分辨率图像。
2021-05-25 cs.CV eess.IV
DeeDSR: Towards Real-World Image Super-Resolution via Degradation-Aware Stable Diffusion
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院)
本文提出DeeDSR,一种两阶段退化感知框架,通过无监督对比学习退化表示并注入简化ControlNet,以提升真实世界图像超分辨率的语义保真度和细节恢复能力。
2024-03-31 cs.CV
A Classification-Aware Super-Resolution Framework for Ship Targets in SAR Imagery
University of Malaya(马来亚大学)
提出一种将分类目标融入超分辨率过程的算法,通过优化兼顾图像质量和分类性能的损失函数,提升SAR图像分辨率并改善分类精度。
2026-01-16 cs.AI cs.CV eess.IV
Blind Image Super-resolution with Rich Texture-Aware Codebooks
Tsinghua University(清华大学);Kuaishou Technology(快手科技)
针对盲超分辨率中HR重建码本纹理多样性不足的问题,本文提出RTCNet,通过退化鲁棒纹理先验模块和块感知纹理先验模块挖掘跨分辨率纹理相关性并纠正语义相似性误判,在多个基准上取得最高0.16~0.46dB的提升。
2023-10-26 cs.CV
Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training
South China University of Technology(华南理工大学);The University of Sydney(悉尼大学);ETH Zurich(苏黎世联邦理工学院)
近年来,无监督超分辨率(SR)由于其在实际场景中的实用和有前途的潜力而迅速发展。现成方法的原理在于非配对数据的增强,即,首先生成与真实世界LR域$\mathcal{Y}^r$中的真实世界高分辨率(HR)图像$\mathcal{X}^r$相对应的合成低分辨率(LR)图像$\mathcal{Y}^g$,然后利用伪对$\{\mathcal{Y}^g, \mathcal{X}^r\}$以监督方式进行训练。不幸的是,由于图像翻译本身是一个极具挑战性的任务,这些方法的SR性能受到生成的合成LR图像和真实LR图像之间的域间隙的严重限制。在本文中,我们提出了一种新的域距离感知超分辨率(DASR)方法的无监督现实世界的图像SR。域之间的差距,训练数据(如$\mathcal{Y}^g$)和测试数据(如$\mathcal{Y}^r$)解决我们的\textbf{domain-gap aware training}和\textbf{domain-distance weighted supervision}策略。领域间隙感知训练从目标领域的真实数据中获得额外的好处,而领域距离加权监督则更合理地使用标记的源领域数据。该方法在合成和真实数据集上进行了验证,实验结果表明,DASR在生成具有更真实和自然纹理的SR输出方面始终优于最先进的无监督SR方法。
2020-04-02 cs.CV
HATIR: Heat-Aware Diffusion for Turbulent Infrared Video Super-Resolution
Northwestern Polytechnical University(西北工业大学);Dalian University of Technology(大连理工大学);Zhejiang University(浙江大学);Dalian Maritime University(大连海事大学)
HATIR通过热感知变形先验联合建模湍流退化与结构细节损失,提出相位引导流估计器和湍流感知解码器,构建首个湍流红外视频超分辨率数据集FLIR-IVSR,提升非均匀退化下的结构恢复精度。
2026-01-08 cs.CV
TextSR: Content-Aware Text Super-Resolution Guided by Recognition
TongJi University(同济大学);The University of Hong Kong(香港大学);Xi’an Jiaotong University(西安交通大学);Nanjing University(南京大学);The University of Adelaide(阿德莱德大学)
随着卷积神经网络的发展,场景文本识别得到了迅速的发展。然而,大多数以前的方法可能无法很好地识别低分辨率的文本,这是经常看到的自然场景图像。一种直观的解决方案是引入超分辨率技术作为预处理。然而,文献中的常规超分辨率方法主要集中于重建自然图像的细节纹理,由于文本的独特特性,其通常不能很好地用于文本。为了解决这些问题,在这项工作中,我们提出了一个内容感知的文本超分辨率网络来生成文本识别所需的信息。特别是,我们设计了一个端到端的网络,可以同时执行超分辨率和文本识别。与以往的超分辨率方法不同,本文以文本识别的损失作为文本感知损失来指导超分辨率网络的训练,从而更加关注文本内容,而不是无关的背景区域。在几个具有挑战性的基准上进行的大量实验表明,我们提出的方法在从一个小的模糊图像恢复一个清晰的高分辨率图像方面是有效的,并且表明识别性能明显提高了文本识别器的性能。据我们所知,这是第一个专注于文本超分辨率的工作。代码将在https://github.com/xieenze/TextSR上发布。
2019-10-20 cs.CV
Joint Learning Content and Degradation Aware Feature for Blind Super-Resolution
Youtu Lab, Tencent(腾讯优图实验室);Shanghai Development Center of Computer Software Technology(上海计算机软件技术开发中心)
为了在盲图像超分辨率(SR)上取得有希望的结果,一些尝试利用低分辨率(LR)图像来预测内核并提高SR性能。然而,这些监督核预测(SKP)方法是不切实际的,由于不可用的现实世界的模糊内核。虽然一些无监督退化预测(UDP)方法被提出来绕过这个问题,退化嵌入和SR特征之间的\textit{inconsistency}仍然是具有挑战性的。通过探索退化嵌入和SR特征之间的相关性,我们观察到联合学习内容和退化感知特征是最佳的。在此基础上,提出了一种内容和降级感知的SR网络,称为CDSR。具体来说,CDSR包含三个新建立的模块:(1)一个轻量级的基于补丁的编码器(LPE)被用来联合提取内容和退化特征;(2)一个域查询注意力的模块(DQA)被用来自适应地减少不一致性;(3)一个基于码本的空间压缩模块(CSC),可以抑制冗余信息。在多个基准测试上的实验表明,所提出的CDSR优于现有的UDP模型,即使与最先进的SKP方法相比,在PSNR和SSIM上也具有竞争力的性能。
2022-08-29 cs.CV
DRIFT: Difficulty-aware Rectified Flows for Through-plane MRI Super-Resolution
Yonsei University(延世大学);King Fahd University of Petroleum & Minerals (KFUPM)(法赫德国王石油与矿业大学);University of California at Merced(加州大学默塞德分校)
针对平面内MRI超分辨率中效率与保真度的权衡问题,提出DRIFT框架,通过两阶段厚度条件整流流,利用解剖投影网络初始化,引入物理感知难度度量指导自适应积分调度器,降低推理成本并优于超分辨率基线。
2026-07-21 cs.CV
CLEAR: Conflict-aware Learning via Evidence-guided Adaptive Routing for Unified Sparse-View 3D Gaussian Super-Resolution
针对稀疏视图三维高斯超分辨率的误差累积问题,提出首个统一单阶段框架CLEAR,通过冲突感知优化、证据引导路由等技术,在4×超分辨率基准上实现了最优渲染质量与几何保真度。
2026-08-04 cs.CV
Morphology-Aware Implicit Super-Resolution Network for Pathological Images
针对现有超分辨率方法难以保留病理图像细胞形态的问题,本文提出Morph-ISR框架,在TCGA等数据集上实现最优的LPIPS等指标,可高效保留诊断相关细节并支持边缘部署。
2026-11-13 cs.CV
Time-aware UNet and super-resolution deep residual networks for spatial downscaling
Department of Mathematics and Statistics(数学与统计学系);University of Jyväskylä(于韦斯屈莱大学);Department of Economic Sciences(经济科学系);University of Salento(萨伦托大学);National Centre for HPC, Big Data and Quantum Computing(高性能计算、大数据与量子计算国家中心);National Biodiversity Future Center(国家生物多样性未来中心);University of Helsinki(赫尔辛基大学)
本文提出具有时间意识的UNet和超分辨率深度残差网络用于对流层臭氧的空间降尺度,通过引入时间模块提升降尺度性能和收敛速度。
2025-12-15 cs.CV cs.LG eess.IV
Texture Vector-Quantization and Reconstruction Aware Prediction for Generative Super-Resolution
University of Electronic Science and Technology of China(电子科技大学)
本文提出纹理向量量化与重建感知预测策略,解决VQ模型中量化误差大和预测器训练不优的问题,实现低计算成本的高质量超分辨率生成。
2026-03-22 cs.CV
AffectSRNet : Facial Emotion-Aware Super-Resolution Network
Birla Institute of Technology & Science, Pilani(毕拉理工与科学大学皮拉尼分校)
针对低分辨率面部表情识别(FER)因细节丢失导致精度下降、传统超分辨率技术无法保留情绪意图的问题,提出AffectSRNet框架,通过表情保留损失函数和新评估指标,在标准数据集上实现视觉质量与情绪保真度双优,推动FER系统在非最佳分辨率场景的应用。
2025-02-14 cs.CV
SeeSR: Towards Semantics-Aware Real-World Image Super-Resolution
The Hong Kong Polytechnic University(香港理工大学);OPPO Research Institute(OPPO研究院);ByteDance Inc.(字节跳动公司)
提出SeeSR,一种语义感知的真实世界图像超分辨率方法,通过退化感知提示提取器生成软硬语义提示并结合LR图像初始化噪声,显著提升了重建图像的细节真实性与语义保真度。
2024-06-04 cs.CV
SU-ESRGAN: Semantic and Uncertainty-Aware ESRGAN for Super-Resolution of Satellite and Drone Imagery with Fine-Tuning for Cross Domain Evaluation
American University of Sharjah(沙迦美国大学)
针对GAN超分辨率缺乏语义一致性与逐像素置信度的问题,提出整合分割损失与蒙特卡洛dropout的SU-ESRGAN框架,性能与基线相当,微调后在跨域无人机数据集上表现出域适配差异,凸显域感知训练的重要性。
2025-08-01 cs.CV cs.LG eess.IV
Versatile Recompression-Aware Perceptual Image Super-Resolution
AIR, Tsinghua University(清华大学智能产业研究院);AGUS Tech;HKUST(香港科技大学);Kuaishou Technology(快手科技)
本文提出VRPSR,通过将压缩建模为条件文本到图像生成,利用预训练扩散模型构建通用编码器模拟器,并提出针对感知超分辨率的训练技术,实现SR与再压缩的联合优化,取得10%-40%的比特率节省。
2026-03-27 cs.CV
CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室)
本文提出轻量级内容感知令牌聚合网络CATANet,通过共享令牌中心的内容感知聚合模块、组内自注意力和组间交叉注意力高效捕获长程依赖,在图像超分辨率任务中相比SPIN实现更高PSNR和近两倍推理速度。
2025-03-10 cs.CV
PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution
School of Biomedical Engineering, ShanghaiTech University(上海科技大学生物医学工程学院);Shanghai Academy of AI for Science(上海人工智能研究院);Fudan University(复旦大学);School of Computing and Communications, Lancaster University(兰卡斯特大学计算与通信学院);School of Biomedical Engineering & State Key Laboratory of Advanced Medical Materials and Devices, ShanghaiTech University(上海科技大学生物医学工程学院与先进医学材料与器械国家重点实验室);Shanghai Clinical Research and Trial Center(上海临床研究与试验中心)
研究旨在解决MRI图像超分辨率问题,将其视为物理感知重建问题。核心方法是采用2D高斯点渲染并引入三项创新,包括先验感知高斯表示、物理约束信号建模和元学习框架。主要贡献是在动态分辨率数据集和标准基准上实现领先性能,有临床部署潜力。
2026-07-08 cs.CV
Kernel-aware Burst Blind Super-Resolution
Uppsala University(乌普萨拉大学);Chengdu University of Information Technology(成都信息工程大学)
突发超分辨率(SR)技术提供了从低质量图像恢复丰富细节的可能性。然而,由于实际应用中的真实世界低分辨率(LR)图像具有多种复杂且未知的退化,现有的非盲(例如,双三次)设计的网络在恢复高分辨率(HR)图像时通常遭受严重的性能下降。在本文中,我们解决的问题,重建HR图像从原始突发序列从现代手持设备。该算法的核心思想是采用一种核引导的策略,通过核估计和高分辨率图像复原两个步骤来解决突发SR问题。前者从原始输入估计突发核,而后者基于估计的核预测超分辨率图像。此外,我们引入了金字塔内核感知的变形对齐模块,它可以有效地对齐的模糊先验的原始图像的考虑。在合成数据集和真实数据集上的大量实验表明,该方法在突发SR问题中具有良好的性能。我们的代码可在\url{https://github.com/shermanlian/KBNet}上获得。
2022-12-05 cs.AI cs.CV
Frequency-Aware Vision Transformers for High-Fidelity Super-Resolution of Earth System Models
Computer Science, Texas State University(德克萨斯州立大学计算机科学系);Chemical Engineering, The University of Utah(犹他大学化学工程系)
本文提出ViSIR和ViFOR两种频率感知框架,通过结合视觉变换器与正弦激活或傅里叶过滤,提升地球系统模型超分辨率的保真度和结构相似度。
2026-02-18 cs.CV
Local-Global Context-Aware and Structure-Preserving Image Super-Resolution
Indian Institute of Technology Bombay(印度班加罗尔理工学院)
提出一种局部-全局上下文感知注意力与分布-感知对齐条件机制的超分辨率框架,在像素空间保持结构并增强感知保真度,在多个基准上实现高保真重建。
2025-10-11 cs.CV
Streaming-Aware Diffusion for Real-Time Video Super-Resolution via Cross-Step Attention
Ethical AI Novelties(伦理AI创新公司);Cyprus University of Technology(塞浦路斯理工大学)
该研究提出流感知扩散框架,通过跨步注意力和轨迹耦合扩散调度降低计算复杂度,在REDS4等数据集上实现512×512分辨率下超40 FPS的实时视频超分辨率。
2026-10-09 cs.CV
Zoomed In, Diffused Out: Towards Local Degradation-Aware Multi-Diffusion for Extreme Image Super-Resolution
German Research Center for Artificial Intelligence(德国人工智能研究中心);University of Kaiserslautern-Landau(凯泽斯劳滕-兰道大学)
本文提出局部退化感知提示提取与MultiDiffusion相结合的方法,首次使预训练T2I扩散模型无需额外训练即可生成2K至8K图像,突破512x512分辨率限制并提升图像超分辨率性能。
2024-11-18 cs.AI cs.CV cs.LG
CLIP-aware Domain-Adaptive Super-Resolution
Jiangnan University(江南大学);Changshu Institute of Technology(常州理工学院)
针对单幅图像超分辨率的域泛化难题,提出融合CLIP语义引导、少样本自适应与多分量损失的CDASR框架,在多域极端缩放场景下实现性能提升,×8、×16缩放的PSNR较现有方法最高提升0.15dB、0.30dB。
2025-05-18 cs.CV
DPAMixerSR: An Efficient Degradation-Pattern-Aware Model for Image Super-Resolution
针对现有超分辨率方法忽略退化因素导致计算分配不佳的问题,提出DPAMixerSR框架,通过感知退化排序模块路由图像块至自适应稀疏处理或轻量级卷积分支,实现高效且保真的超分辨率重建。
2026-09-29 cs.CV
Calibrated and Resource-Aware Super-Resolution for Reliable Driver Behavior Analysis
Iowa State University of Science and Technology(爱荷华州立大学科学与技术学院)
针对低分辨率驾驶员监测模型置信度校准不足的问题,提出资源感知自适应超分辨率框架,并用轻量伪影检测器过滤幻觉,提升关键行为检测的安全性与性能。
2025-09-28 cs.CV
Image-Difficulty-Aware Evaluation of Super-Resolution Models
College of Engineering(工程学院);KUIS AI Center, Koç University, Istanbul, Turkey(KUIS人工智能中心,科克大学,伊斯坦布尔,土耳其)
针对超分辨率模型平均评分无法体现不同难度图像性能差异的问题,提出两种图像难度度量指标与难度感知评估方法,可更好区分平均得分相近但视觉效果有差异的SISR模型,实验验证了其有效性。
2025-10-01 cs.CV
Lightweight Stepless Super-Resolution of Remote Sensing Images via Saliency-Aware Dynamic Routing Strategy
Beijing Normal University(北京师范大学)
基于深度学习的算法极大地提高了遥感图像(RSI)超分辨率(SR)的性能。然而,不断增加的网络深度和参数会造成巨大的计算和存储负担。直接减少现有模型的深度或宽度会导致性能大幅下降。我们观察到,RSI中不同区域的SR难度差异很大,现有方法使用相同的深度网络来处理图像中的所有区域,导致计算资源的浪费。此外,现有的SR方法一般都是整数比例因子,不能进行无级SR,即,单个模型可以处理任何潜在的比例因子。在每个比例因子上重新训练模型会浪费相当多的计算资源和模型存储空间。为了解决上述问题,我们提出了一个显着性感知的动态路由网络(SalDRN)的轻量级和无级SR的RSIs。首先,我们引入视觉显著性作为区域级SR难度的指标,并将轻量级显著性检测器集成到SalDRN中以捕获像素级视觉特征。然后,我们设计了一个显著性感知的动态路由策略,采用路径选择开关,自适应地选择合适的深度的特征提取路径,根据SR的子图像补丁的难度。最后,我们提出了一种新的轻量级无级上采样模块,其核心是一个隐式特征函数,实现从低分辨率特征空间到高分辨率特征空间的映射。综合实验结果表明,SalDRN能够在性能和复杂度之间取得较好的平衡。代码可在\url{https://github.com/hanlinwu/SalDRN}上获得。
2022-10-14 cs.CV
Crafting Query-Aware Selective Attention for Single Image Super-Resolution
POSTECH(浦项科技大学);Kyunghee University(庆熙大学);UNIST(蔚山科学技术院);Sogang University(西江大学)
本文提出 SSCAN,通过查询感知的窗口选择策略动态聚焦最相关的键值窗口,在降低计算复杂度和内存占用的同时提升单图像超分辨率的重建质量。
2025-04-09 cs.CV
SGNet: Structure Guided Network via Gradient-Frequency Awareness for Depth Map Super-Resolution
Nanjing University of Science and Technology(南京理工大学)
针对图像引导深度超分辨率中低分辨率深度结构模糊的问题,提出SGNet,通过GCM利用RGB梯度先验并借助FAM/SDB传播RGB高频信息,在真实与合成数据集上达到SOTA。
2023-12-13 cs.CV
Fidelity- and Perception-Aware Local Implicit Attention for Arbitrary-Scale Image Super-Resolution
National Taiwan University(国立台湾大学);MediaTek Inc.(联发科技股份有限公司)
提出FPLIA框架,通过融合保真度导向特征与扩散管道,结合FPAM和FPSM模块,在任意尺度超分辨率中实现高感知真实度与重建精度。
2026-06-23 cs.CV
One Step Diffusion-based Super-Resolution with Time-Aware Distillation
Xidian University(西安电子科技大学);Huawei(华为);Chongqing University of Posts and Telecommunications(重庆邮电大学)
针对扩散超分辨率模型采样迭代多、延迟高的问题,提出时间感知扩散蒸馏方法TAD-SR,通过分数蒸馏策略与时间感知判别器,实现一步采样即可达到甚至超过现有最优方法及教师模型的性能。
2024-08-14 cs.CV
Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution
Wuhan University(武汉大学);Hubei Luojia Laboratory(湖北珞珈实验室)
针对彩色引导深度超分辨率中的分辨率与跨模态差异,提出SUFT,通过迭代上下采样和对称不确定性特征筛选提升重建性能。
2023-06-01 cs.CV
MagnifiQ: Patch-aware Text Guided Progressive Upscaling for High-Resolution Image Restoration
Qualcomm AI Research(高通人工智能研究中心)
MagnifiQ是一种跨分辨率渐进式上采样的图像修复框架,替换扩散模型自注意力层为线性计算卷积,采用补丁文本提示,在4K图像修复中性能优于现有方法,实现速度与质量的实用权衡。
2026-08-17 cs.CV