CVPR 2019 | 神奇的超分辨率算法DPSR：应对图像模糊降质

点“计算机视觉life”关注，置顶更快接收消息！

本文授权自我爱计算机视觉

 

上两幅图像中上面为低分辨率模糊图像，下面大图来自几天前刚出来的超分辨率算法DPSR的结果。在我们的印象中，往往超分辨率后的图像会看起来轻微模糊，但该算法能够将模糊的低分辨率图像放大，而且更清晰。

作者已将代码开源：

https://github.com/cszn/DPSR

DPSR算法来自论文《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels》：

作者分别来自哈工大、香港理工大学、深圳鹏城实验室、阿里达摩院。

从论文标题看，它可以应对任意模糊核的图像模糊降质。

以往，超分辨率研究中，往往使用双三次插值作为低分辨率图像获取的方式，但现实世界低分辨率图像不仅有双三次插值带来的图像降质，还大量存在着模糊降质。

该文作者提出的DPSR算法正是想要在超分辨率的同时完成图像的去模糊，而且是去任意模糊核的图像模糊。

作者们研究了如下模糊核，包括高斯模糊、运动模糊、Disk模糊。

在BSD68数据集上，使用常用的PSNR和SSIM图像质量评价方法，DPSR取得了毫无争议的最好结果。如下图所示：

下面是与其他超分辨率方法在视觉效果上的比较，也是明显好一个等级（最右下角为该文算法结果）。

更多模糊LR图像超分辨率后的结果：

效果只能用神奇来形容了！

再发一遍开源地址：

https://github.com/cszn/DPSR

代码使用PyTorch实现的，欢迎大家试玩，欢迎给大佬star。

推荐阅读

CVPR2019 | Decoders 对于语义分割的重要性

CVPR2019 | R-MVSNet: 一个高精度高效率的三维重建网络

CVPR2019 | SiamMask：视频跟踪最高精度

CVPR 2019 | 用异构卷积训练深度CNN：提升效率而不损准确度

CVPR 2019 | 人大 ML 研究组提出新的视频测谎算法

CVPR2019 | 医学影像：MIT 利用学习图像变换进行数据增强

CVPR 2019 | GeoNet：基于测地距离的点云分析深度网络

CVPR2019 | 中科大&微软开源：姿态估计新模型HRNet

CVPR 2019 | 京东提出 ScratchDet：随机初始化训练SSD目标检测器

CVPR 2019 | 微软亚研院提出用于语义分割的结构化知识蒸馏

CVPR2019 | 6D目标姿态估计，李飞飞等提出DenseFusion

CVPR2019 | RePr：专门为卷积神经网络设计的训练方法

CVPR 2019 | 行人检测新思路：高级语义特征检测取得精度新突破

综述 | CVPR2019目标检测方法进展

最近三年开源「语义SLAM/分割/建模」方案介绍

超详细干货 | 三维语义分割概述及总结

关注：计算机视觉life，一起探索计算机视觉新世界~

觉得有用，给个好看啦~