Urban100
PulseAugur coverage of Urban100 — every cluster mentioning Urban100 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Graphene:轻量级 Transformer 增强图像超分辨率
研究人员推出 Graphene,这是一种新颖的轻量级 Transformer 架构,专为图像超分辨率设计。Graphene 包含两个关键的精炼机制:用于局部特征精炼的 Ising Refinement Block 和用于基于阶段历史的精炼的 History Attention 模块。该架构在 Urban100 数据集上展示了改进的性能,以显著更少的参数、FLOPs 和更低的延迟实现了更高的 dB 分数,与 IET 和 IET-ligh…
-
研究质疑昂贵图像色彩还原方法是否值得
一项新的分析探讨了不同图像色彩还原方法(从单传感器数据重建全彩色图像)的成本效益。研究人员发现,昂贵的边缘感知方法相对于廉价的线性方法所带来的质量提升并不一致,甚至可能对某些图像产生负面影响。这项不使用深度学习的研究确定了图像饱和度是预测计算密集型方法何时有益的关键因素,并开发了一个决策树,根据图像内容推荐最佳方法。
-
新协议和数据集通过感知影响评估超分辨率伪影
研究人员推出了 SR-Prominence,这是一个新的众包协议和数据集,旨在根据感知影响评估图像超分辨率 (SR) 方法中的伪影。该协议将伪影突出度定义为在突出区域中注意到伪影的观看者的比例。随附的数据集包含来自各种来源的 3,935 个伪影掩码,并带有突出度分数注释。初步研究表明,SSIM 和 DISTS 等传统指标与感知的伪影突出度高度相关,而专门的伪影检测器和无参考指标则难以泛化。
-
新型 AI 模型提升图像超分辨率效率和质量
两篇新的研究论文介绍了先进的图像超分辨率技术。CEM-TUDASR 是一个基于 Transformer 的框架,可在无需配对训练数据的情况下增强无线胶囊内窥镜的低分辨率图像,并集成注意力机制以提高细节和效率。FreeTransformSR 提供了一个轻量级网络,使用可学习的变换进行自适应特征调制,以显著更少的参数和更快的推理速度实现了具有竞争力的性能,使其适用于资源受限的环境。
-
新的小波域模型实现了高效的JPEG恢复
研究人员开发了一种新的生成模型,用于在小波域中高效地进行JPEG图像恢复。该模型名为MeanFlow,使用Haar变换代替VAE编码器-解码器,并集成了秩增强的线性注意力扩散Transformer(DiT)。它在低量化因子(QF 10和20)的标准数据集上取得了最先进的低LPIPS分数,同时在消费级硬件上提供了比现有方法显著更高的吞吐量。
-
新的GB-LSR方法提供更快、连续的图像重建
研究人员推出了一种新颖的局部光谱图像表示方法GB-LSR,专为连续图像重建和超分辨率而设计。该方法将图像划分为块,每个块包含从共享编码器特征预测的截断傅里叶基的系数。所有块和图像使用单一的、全局共享的带宽参数,允许以固定的成本在任何连续坐标进行重建,且成本与图像大小无关。与现有方法相比,GB-LSR在PSNR和LPIPS方面表现出优越的性能,同时推理成本显著降低。
-
新的GB-LSR方法提供更快、更高效的图像重建
研究人员推出了一种新颖的局部光谱图像表示方法GB-LSR,该方法专为高效的连续图像重建和超分辨率而设计。该方法将图像划分为块,每个块使用源自共享卷积特征的傅里叶基系数。一项关键创新是使用单一的、全局共享的带宽参数,这简化了过程,并允许以固定的计算成本在任何连续坐标上进行重建,而与图像大小无关。实验表明,GB-LSR在PSNR和LPIPS方面显著优于现有的本地重建基准测试方法,同时推理成本仅为一小部分。
-
QuantSR+ 框架提升低比特量化图像超分辨率性能
研究人员开发了 QuantSR+,一个旨在提升使用低比特量化的图像超分辨率模型性能的新框架。该方法解决了模型压缩到 2-4 比特时常出现的显著性能下降问题。QuantSR+ 在量化算子、网络架构和训练策略方面进行了改进,以在准确性和效率之间取得更好的平衡。