Single-image super-resolution of brain MR images using overcomplete dictionaries
PulseAugur coverage of Single-image super-resolution of brain MR images using overcomplete dictionaries — every cluster mentioning Single-image super-resolution of brain MR images using overcomplete dictionaries across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Simon-SR框架通过提示引导的适配增强图像超分辨率
研究人员推出了一种新颖的多模态框架Simon-SR，该框架通过利用可学习的提示进行语义挖掘和文本-图像融合来增强单图像超分辨率（SISR）。该方法旨在提高感知质量，并减少与先前方法相关的错误先验和标注成本的敏感性。实验表明，Simon-SR在PSNR、SSIM和LPIPS指标上均优于最先进的技术，并取得了显著的提升。
-
研究统一了贝叶斯逆问题的驱动先验
一篇新的研究论文提出了一个统一的框架，用于将各种数据驱动的先验集成到贝叶斯逆问题中。该研究展示了如何通过得分函数统一各种先验，包括去噪正则化、基于归一化流的先验和基于得分的生成模型。这种方法允许有效地集成到提出的采样算法中，并在图像修复和超分辨率任务中得到实验验证。
-
MaCo-GAN 框架通过对比学习改进图像超分辨率
研究人员开发了 MaCo-GAN，一个用于单图像超分辨率的新框架，解决了传统生成对抗网络 (GAN) 中的伪影生成问题。这种新颖的方法用监督对比目标取代了标准的对抗损失，并利用动态合成器创建具有挑战性、感知上可信的假图像。MaCo-GAN 框架训练生成器区分流形内和流形外的假图像，从而在各种基准测试中改善感知-失真权衡。
-
新的RASR方法通过检索自动化图像恢复
研究人员推出了一种新颖的图像恢复方法——检索增强超分辨率（RASR），该方法解决了现有基于参考的方法的局限性。与需要手动配对图像的先前技术不同，RASR自动从数据库中检索相关的高分辨率参考图像，使其在增强手机照片等实际应用中更加实用。该团队还开发了RASRNet，这是一个结合了语义检索器和基于扩散的生成器的基线模型，并创建了RASR-Flickr30，这是该任务的第一个基准数据集。