Urban100
PulseAugur coverage of Urban100 — every cluster mentioning Urban100 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。