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 …

2020年7月28日 · 监督学习方法在得到测试图像的blur kernel时对于表现没有提升，原因是他们时针对一个特定的kernel进行的彻底地训练和优化地。但是ZSSR会有提升，这说明了一个准确的下采样模型比精细的图像先验要重要得多；使用了错误的下采样模型会导致过光滑的SR结果。

"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

2020年10月30日 · 既然不需要大量的训练数据，也就不需要太复杂的网络结构，ZSSR只包含8个隐藏层，每个隐藏层包含64个通道，使用ReLU作为激活函数。 训练过程中使用Adam优化算法，初始学习率选择为0.001，并使用L1损失。 （1）第一个超分领域的非预训练方法，训练加测试每张图片的平均时间为54秒（K80 GPU）。 （2）ZSSR方法在非理想情况下，效果优于VDSR ，EDSR+ 。 在理想情况下，效果优于SRCNN，SelfExSR，但是相比VDSR ，EDSR+，效果 …

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 …

本文提出了提出第一个无监督的基于 cnn 的SR方法： Zero-Shot SR，利用单个图像内部信息的内部递归，并在测试时训练一个小的特定于图像的CNN，仅从输入图像本身提取的训练样本。 因此，它可以自适应不同的设置每个图像。 [1] 监督SR真实场景（non-ideal时）泛化性差：仅限于特定的训练数据，预先确定了从高分辨率（HR）对象获取低分辨率（LR）图像（例如， bicubic downscaling 双三次缩放），而 没有任何分散注意力的伪影 （例如，传感器噪声，图像压缩， …

Zero-Shot Dual-Lens Super-Resolution, In CVPR 2023. Ruikang Xu, Mingde Yao, Zhiwei Xiong. Paper | Slides | Video. The CameraFusion (by iPhone11) dataset can be downloaded from this link. The RealMCVSR (by iPhone12) dataset can be downloaded from this link. The HCI_new dataset can be downloaded from this link.

2021年12月21日 · 在 ZSSR 中，将用于训练网络的 LR-HR Pair 称为：Father-Son Pair。 在生成 LR-son 时（详见 father_to_son 函数），加入了高斯噪声，作者解释，这样做的作用是：teaches the network to ignore uncorrelated crosss-cale information (the noise), while learning to increase the resolution of correlated information ...

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。

2020年6月6日 · zssr最早被提出，将图像内部学习用于图像超分辨率。 它能够很好地学习图像内部的先验信息，从而利用这些内部信息恢复图像高频信息。 由于 ZSSR 从一张图像中学习，因此需要几千次的梯度更新迭代，也就是说测试时推理时间很长。