"Zero-Shot" Super-Resolution using Deep Internal Learning (ZSSR) Official implementation for paper by: Assaf Shocher, Nadav Cohen, Michal Irani Paper: https://arxiv.org/abs/1712.06087

在基于深度学习的超分辨率算法发展过程中，多数SR（super resolution）算法都需要在特定的数据集上进行训练，从而得到目标模型。 而 ZeroShotSR 【1】算法 既不需要先验的图像样本也不需要先验的训练，它利用单张图片的内部重复信息在测试期间训练一个小型针对特定图片的 CNN，下文中ZeroShotSR简称为ZSSR。 首先来看一下ZSSR获得的超分效果： 上图中 EDSR 是论文中进行对比的其它超分算法，从视觉结果来看ZSSR的视觉结果明显优于EDSR。 当然，ZSSR获 …

In this paper we introduce “Zero-Shot” SR (ZSSR), which exploits the power of Deep Learning, without rely-ing on any prior image examples or prior training. We ex-ploit the internal recurrence of information within a single image and train a small image-specific CNN at test time, on examples extracted solely from the LR input image itself

2020年7月28日 · "Zero-Shot" Super-Resolution using Deep Internal Learning【ZSSR】【阅读笔记】 项目地址： http://www.wisdom.weizmann.ac.il/~vision/zssr/ 之前利用深度学习构建的SR模型都是有监督学习，利用了大量的外部信息。

This current provided version of ZSSR actually achieves better results on benchmarks than indicated in the paper. For example, when current version is applied to 'Set14' without use of gradual SR increments, it achieves slightly higher PSNR than specified in the paper (when 6 gradual increments are applied).

本文介绍了一个简单而有效的zero-shot超分辨率模型，仅从低分辨率的输入图像学习特定于图像的超分辨率网络 (SRN)，而不依赖于外部训练集。 具体而言，利用图像的深度信息，自然地表示局部图像补丁的尺度，来提取不成对的高/低分辨率的补丁集合来训练网络。 [1] 不同的图像从高分辨率到低分辨率对应的 退化函数 是不一样的，并不是简单的bicubic 下采样 （pre-determined degradation operation）。 作者认为可以 只提取不同深度的图像块， 直接从低分辨率图像LR中 …

2020年10月30日 · ZSSR 1 贡献. zero-shot SR---基于特定图像训练的CNN. 1 第一个无监督的CNN-base SR方法. 2 在测试时仅根据输入的低分辨率图像本身提取的实列，训练特定于图像的小型CNN. 利用图像内的多尺度重复信息. 3 计算资源少，计算速度快. 2 其他文章的有用信息

2021年6月4日 · 简单来说就是，由待测试的LR图像和它downscale的版本LLR构成 HR-LR 对，训练一个8层64通道+ReLU的全卷积网络。尽管其感受野有限，ZSSR可以捕获测试图像里non-local的冗余信息。

2019年4月16日 · 本文主要工作：引入“Zero-Shot” SR方法（ZSSR），该超分辨率算法不依赖任何其他图片样本和预先训练，使用图像的内部自相似信息，测试时训练一个特定图片的CNN网络。

2021年12月21日 · ZSSR 可以看做是将 SingleImageSR [ICCV-2009] 中的方法用深度学习方法重演了一遍。 重点关注ZSSR的多尺度训练过程，以及如何利用多尺度数据，from coarse to fine，进行逐步训练的。