ytao_wang的博客

IRN: Invertible Image Rescaling的性能提升实验验证

介绍了计算机视觉三大顶级会议(CVPR、ECCV和ICCV)近三年在超分辨率经典退化(Bicubic双三次插值)方向上的性能结果对比。

MR Image Super-Resolution with Squeeze and Excitation Reasoning Attention Networkpaper: CVPR 2021 SERAN摘要高分辨率(HR)磁共振(MR)图像为可靠的诊断和定量图像分析提供了更详细的信息。对于低分辨率(LR) MR图像，深度卷积神经网络(CNNs)已经显示出有前景的超分辨率(SR)能力。LR MR图像通常具有一些共同的视觉特征：重复的模式、相对简单的结构和信息量较少的背景。大多数基于CNN的SR方

Channel Splitting Network for Single MR Image Super-ResolutionTIP2019paper: https://arxiv.org/abs/1810.06453文章目录Channel Splitting Network for Single MR Image Super-Resolution摘要背景方法数据集实验结果摘要在许多临床应用中，渴望获得高分辨磁共振（MRI）图像，因为它有助于更精确的后续分析和早期临床诊断。单幅图像超分辨率(SISR

ICCV共举行了4天，在超分辨率上收录文章13篇。这里仅对单图像超分辨率相关的5篇论文作介绍。

ECCV2020超分方向有24篇，涉及图像超分辨率的有8篇，本文只介绍其中的6篇，还有一篇是研究图像放大但也涉及图像超分方向(Invertible Image Rescaling)，其超分上的结果提升特别大，因此一并介绍。

CVPR2020超分方向共有21篇论文，本文主要介绍了图像超分方向的10篇论文，对其中五篇做了介绍。另五篇由于使用基于参考的超分（RefSR）、生成对抗网络、无监督学习超分等等不是本人的研究方向，因此只列出对应文

对超分辨率比赛NTIRE2018到2020的基本信息与结果进行了介绍，同时展示了最近几年超分辨率SR在bicubic下采样上的超分结果，最后进行总结。

本文介绍了做深度学习图像超分辨率SR任务应先掌握的基本概念性知识，然后介绍了SR任务应该向那几个方面着手，希望对SR能有一个清晰的认识，更方便更有目的性的开展SR任务。主要依据NTIER2018比赛的论文进行介绍。文中有许多概念或模糊，或啰嗦，或有错误，烦请指正，留言多交流。文章目录SR定义NTIRESR任务的概念性知识基于深度学习SR网络的构建1. 特征提取2. 特征非线性映射VDSREDSRWDSR3. SR重建参考资料SR定义超分辨率SR的定义：将低分辨率的图像通过算法转换成高分辨率图

Multi-scale Residual Network for Image Super-Resolution用于图像高分辨率的多尺度残差网络原文：Multi-scale Residual Network for Image Super-Resolution, ECCV2018github(pytorch): https://github.com/MIVRC/MSRN-PyTorchMulti-scale Residual Network for Image Super-Resolution 论文翻

Multi-scale Residual Network for Image Super-Resolution用于图像高分辨率的多尺度残差网络原文：Multi-scale Residual Network for Image Super-Resolution, ECCV2018github(pytorch): https://github.com/MIVRC/MSRN-PyTorch摘要：近年来的研究表明，深度神经网络可以显著提高单幅图像的超分辨率。目前的研究倾向于使用更深层次的卷积神经网络来提高

Image Super-Resolution Using Very Deep Residual Channel Attention Networks (ECCV2018)

Image Super-Resolution Using Very Deep Residual Channel Attention Networks摘要卷积神经网络(CNN)的深度对于图像超分辨率(SR)是极其关键的因素。然而，我们观察到，更深层次的图像SR网络更难训练。低分辨率的输入和特征包含丰富的低频信息，这些信息在通道间被平等对待，从而阻碍了CNNs的表征能力。为了解决这些问题，我们提...