- 博客(223)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
2024-03-25 15:50:42
6910
9
原创 【图像拼接（Image Stitching）】关于【图像拼接论文源码精读】专栏的相关说明，包含专栏内文章结构说明、源码阅读顺序、培养代码能力、如何创新等。总之，【图像拼接源码】复现看这一篇就够了！
本文是【图像拼接论文源码精读】专栏的相关说明，将一些共性的东西在这里做统一说明，就不在每一篇文章中重复了。【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）。先看该专栏说明，然后进入专栏阅读相关文章，建议同步订阅，同步阅读。本专栏针对图像拼接领域公布源码的文章进行源码解读，没有源码的文章在有源码的文章全部更新完毕后尝试复现。
2024-01-01 10:01:56
23042
2
原创 【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
2023-11-30 15:36:46
28141
13
原创 【图像超分】论文精读：Image Super-Resolution via Dual-State Recurrent Networks（DSRN）
图像超分辨率 (SR) 的进步最近显着受益于深度神经网络的快速发展。受这些最近发现的启发，我们注意到许多最先进的深度 SR 架构可以重新表述为具有有限展开的单状态循环神经网络 (RNN)。在本文中，我们基于这种紧凑的 RNN 视图探索了 SR 的新结构，从而产生了双状态设计、双状态循环网络 (DSRN)。与在固定空间分辨率下运行的单态对应物相比，DSRN 联合利用了低分辨率 (LR) 和高分辨率 (HR) 信号。通过延迟反馈在两个方向（LR 到 HR 和 HR 到 LR）之间交换循环信号。对基准数据集和最近
2024-04-18 10:46:25
46
原创 【图像超分】论文精读：Cross-Scale Internal Graph Neural Network for Image Super-Resolution（IGNN）
自然图像中的非局部自相似性已被很好地研究，作为图像恢复的有效先验。然而，对于单图像超分辨率 (SISR)，大多数现有的深度非局部方法（例如非局部神经网络）仅在低分辨率 (LR) 输入图像的相同尺度内利用相似的补丁。因此，恢复仅限于使用相同的尺度信息，而忽略了来自其他尺度的潜在高分辨率 (HR) 线索。在本文中，我们探索了自然图像的跨尺度补丁递归特性，即相似的补丁往往在不同的尺度上重复多次。这是通过一种新颖的跨尺度内部图神经网络 (IGNN) 实现的。具体来说，我们通过在 LR 图像中为每个查询补丁搜索下采样
2024-04-18 10:45:37
42
原创 【图像超分】论文精读：Image Super-Resolution Using Very Deep Residual Channel Attention Networks（RCAN）
卷积神经网络 (CNN) 深度对于图像超分辨率 (SR) 至关重要。然而，我们观察到更深层次的图像 SR 网络更难训练。低分辨率输入和特征包含丰富的低频信息，在通道之间平等对待，从而阻碍了cnn的表示能力。为了解决这些问题，我们提出了非常深的残差通道注意网络（RCAN）。具体来说，我们提出了一种残差 (RIR) 结构中的残差来形成非常深的网络，该网络由几个具有长跳跃连接的残差组组成。每个残差组都包含一些具有短跳跃连接的残差块。同时，RIR 允许通过多个跳跃连接绕过丰富的低频信息，使网络专注于学习高频信息。
2024-04-17 10:59:50
49
原创 【图像超分】论文复现：万字长文！Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！将SRResNet单独训练，方便做实验测试！SRResNet的模型性能达到最优，可以用于论文中实验的对比方法和测试自己的图像数据
2024-04-17 10:59:04
60
原创 【图像超分】论文复现：万字长文！Pytorch实现LapSRN代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
论文题目：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution —— 用于快速准确的超分辨率的深度拉普拉斯金字塔网络【图像超分】论文精读：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution（LapSRN）请配合上述论文精读文章使用，效果更佳！
2024-04-16 09:57:18
161
原创 【图像超分】论文复现：万字长文！Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！讲解细致，EDSR流程全通，代码注释丰富，适合新手入门阅读！深度思考，踩坑报错全记录，代码中均已修正！python实现matlab中的RGB转YCbCr，解决matlab.engine无法使用的问题！EDSR的性能与论文接近！
2024-04-16 09:55:49
179
原创 【图像超分】论文复现：万字长文！Pytorch实现SRDenseNet！模型结构搭建通俗易懂！修正各种代码问题！适合各种深度学习新手！帮助你少走弯路！性能与原论文近似！
第一次来请先看这篇文章：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）本文亮点：论文地址：Image Super-Resolution Using Dense Skip Connections本文对应论文精读：【图像超分】论文精读：Image Super-Resolution Using Dense Skip Connections（SRDenseNet）请配合上述
2024-04-15 10:10:50
630
原创 【图像超分】论文复现：新手入门必备！Pytorch实现SRGAN！手把手详细教程！代码注释详尽！可用于训练自己的数据集！实时验证模型性能！绘制PSNR曲线图！附训练好的各放大倍数的模型权重文件！
【图像超分】论文精读：SRResNet/SRGAN【图像超分】论文复现：万字长文！Pytorch实现SRResNet代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！请配合上述论文精读文章使用，效果更佳！与原论文描述不一样的实现部分，也即可以修改的部分数据集使用：论文中是ImageNet随机选35000张图像，本文是VOC2012数据集16700张图像。数据集预处理：裁剪大小不同，论文是96×96，本文是88×88。
2024-04-15 10:10:16
1880
原创 【图像超分】论文精读：Second-order Attention Network for Single Image Super-Resolution（SAN）
最近，深度卷积神经网络 (CNN) 在单图像超分辨率 (SISR) 中得到了广泛的探索，并获得了卓越的性能。然而，现有的大多数基于cnn的SISR方法主要集中在更广泛或更深的架构设计上，忽略了探索中间层的特征相关性，从而阻碍了cnn的表示能力。为了解决这个问题，在本文中，我们提出了一个二阶注意力网络（SAN），用于更强大的特征表达和特征相关性学习。具体来说，开发了一种新的可训练的二阶通道注意 (SOCA) 模块，通过使用二阶特征统计来自适应地重新缩放通道特征以获得更具辨别力的表示。此外，我们提出了一种非局部
2024-04-13 08:36:53
1194
1
原创 【图像超分】论文精读：Deep learning super-resolution electron microscopy based on deep residual attention netwo
场发射扫描电子显微镜因其有效性而成为医学和材料科学领域的基本研究工具。然而，场发射扫描电子显微镜的分辨率与其视场之间存在固有的矛盾。为了解决这个问题，我们提出了一种基于深度学习方法的电子显微镜方法，该方法可以同时获得较大的视场和超高分辨率。为了解决超分辨率问题，设计了一种基于残差学习和注意力机制的深度残差注意力网络，其中骨干网络使用多个残差组来有效地提取特征；此外，注意力组附加主干部分来细化和融合特征。此外，还添加了一个高频信息保留模块来获取高频信号，作为深度残差网络的有效补充。由于电子显微镜缺乏超分辨率数
2024-04-13 08:35:00
1182
原创 【图像超分】论文精读：Embedded Block Residual Network （EBRN）
单图像超分辨率从低分辨率图像中恢复丢失的结构和纹理，引起了研究界的广泛关注。该领域表现最好的包括深度或宽卷积神经网络或循环神经网络。然而，这些方法强制单个模型处理各种纹理和结构。一个典型的操作是，某一层根据前一层恢复的纹理恢复纹理，忽略图像纹理的特征。在本文中，我们认为图像中的低频和高频信息具有不同的复杂程度，应该由不同表征能力的模型恢复。受此启发，我们提出了一种新的嵌入块残差网络(EBRN)，它是纹理超分辨率的增量恢复进度。具体来说，模型中的不同模块恢复了不同频率的信息。对于低频信息，我们使用网络的较浅模
2024-04-12 10:56:23
1199
原创 【图像超分】论文精读：SwinIR: Image Restoration Using Swin Transformer
图像恢复是一个长期存在的低级视觉问题，旨在从低质量图像中恢复高质量图像（例如，缩小、噪声和压缩图像）。虽然最先进的图像恢复方法是基于卷积神经网络，但很少有人尝试变形金刚，这在高级视觉任务中显示出令人印象深刻的性能。在本文中，我们提出了一种基于 Swin Transformer 的图像恢复的强大基线模型 SwinIR。SwinIR由三部分组成:浅层特征提取、深层特征提取和高质量图像重建。特别是，深度特征提取模块由几个残差 Swin Transformer 块 (RSTB) 组成，每个块具有多个 Swin Tr
2024-04-12 10:55:33
1210
原创 【图像超分】论文精读：SRFS: Super Resolution in Fast-Slow Scanning Mode of SEM Based on Denoising Diffusion Pro
扫描电子显微镜(SEM)是材料表征最常用的重要工具。它提供了两种扫描模式——快速扫描模式快速获取图像，但这些图像分辨率较低(LR)，扫描模式缺失，细节缓慢，获取高分辨率(HR)和细节丰富的图像，但耗时较长。这限制了 SEM 的使用，为了解决上述权衡问题，我们提出了 SRFS，这是一种基于扩散的超分辨率 (SR) 网络，在 SEM 的快慢扫描模式下。据我们所知，这是第一次在 SEM 的快慢扫描模式下图像 SR。与之前的SR方法相比，SRFS可以生成SR图像，学习感知图像补丁相似度(LPIPS)为0.1414，
2024-04-11 09:58:35
1286
原创 【图像超分】论文精读：Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data
尽管在盲超分辨率中已经进行了许多尝试来恢复退化未知和复杂图像的低分辨率图像，但它们仍然远未解决一般的真实世界退化图像。在这项工作中，我们将强大的 ESRGAN 扩展到使用纯合成数据训练的实际实现应用程序（即 Real-ESRGAN）。具体来说，引入了一个高阶退化建模过程来更好地模拟复杂的现实世界退化。我们还在合成过程中考虑了常见的振铃和超调伪影。此外，我们使用具有光谱归一化的 U-Net 鉴别器来增加鉴别器能力并稳定训练动态。广泛的比较表明，它在各种真实数据集上比以前的工作具有更好的视觉性能。我们还提供有效
2024-04-11 09:57:48
1294
原创 【视频超分】论文精读：FMA-Net: Flow-Guided Dynamic Filtering and Iterative Feature Refinement with Multi-Attent
我们提出了一种视频超分辨率和去模糊联合学习方案，称为VSRDB，用于从模糊的低分辨率(LR)视频中恢复干净的高分辨率(HR)视频。与单一恢复问题相比，这种联合恢复问题引起了的关注要少得多。在本文中，我们提出了一种新的流引导动态滤波(FGDF)和多注意迭代特征细化(FRMA)，它构成了我们的VSRDB框架，表示为FMA-Net。具体来说，我们提出的FGDF可以通过复杂的运动表示学习精确估计时空变化退化和恢复核，这些核知道运动轨迹。与传统的动态滤波相比，FGDF使FMA-Net能够有效地处理VSRDB中的大运动
2024-04-10 10:59:56
1494
原创 【图像拼接】论文精读：A Comparative Analysis of Feature Detectors and Descriptors for Image Stitching
图像拼接是一种常用于图像处理和计算机视觉应用的技术。图像中的特征点提供了大量的关键信息。图像拼接需要准确提取这些特征，因为它可能会降低最终拼接图像中的错位缺陷。近年来，人们提出了各种可用于图像拼接的特征检测器和描述符。然而，特征匹配的计算成本和正确性限制了这些技术的利用率。迄今为止，没有工作比较特征检测器和描述符进行图像拼接应用，即没有人考虑检测器和描述符对生成的最终拼接图像的影响。本文对之前提出的常用特征检测器和描述符进行了详细的比较分析。本研究对开发用于图像拼接应用的特征检测器和描述符的一般比较做出了各
2024-04-10 10:58:30
1478
原创 【图像拼接/深度单应】论文精读：Unsupervised Deep Homography: A Fast and Robust Homography Estimation Model
多个航拍图像之间的单应性估计可以为协同自主探索和监测提供相对位姿估计。机器人系统的使用需要一种快速鲁棒的单应性估计算法。在这项研究中，我们提出了一种无监督学习算法，该算法训练深度卷积神经网络来估计平面单应性。我们将所提出的算法与传统的基于特征的直接方法进行了比较，以及相应的监督学习算法。我们的实证结果表明，与传统方法相比，无监督算法实现了更快的推理速度，同时保持了对光照变化相当或更好的准确性和鲁棒性。此外，与相应的监督深度学习方法相比，我们的无监督方法具有更好的适应性和性能。
2024-04-09 10:48:24
1853
原创 【图像拼接/深度单应】论文精读：Deep Image Homography Estimation（HomographyNet）
我们提出了一个深度卷积神经网络来估计一对图像之间的相对单应性。我们的前馈网络有 10 层，将两个堆叠的灰度图像作为输入，并产生 8 个自由度单应性，可用于将第一个图像中的像素映射到第二个图像。我们为 HomographyNet 提出了两种卷积神经网络架构：一个直接估计实值单应性参数的回归网络，以及一个在量化单应性上产生分布的分类网络。我们使用 4 点单应性参数化，它将一张图像的四个角映射到第二张图像。我们的网络使用扭曲的 MS-COCO 图像以端到端的方式进行训练。我们的方法无需单独的局部特征检测和变换估计
2024-04-09 10:47:29
1843
原创 【扩散模型】论文精读：VLOGGER: Multimodal Diffusion for Embodied Avatar Synthesis
我们提出了 VLOGGER，这是一种从一个人的单个输入图像生成音频驱动的人类视频的方法，它建立在最近生成扩散模型的成功之上。我们的方法包括 1) 随机人到 3d 运动扩散模型，以及 2) 一种新颖的基于扩散的架构，该架构通过空间和时间控制来增强文本到图像模型。这支持生成可变长度的高质量视频，通过人脸和身体的高级表示轻松控制。与之前的工作相比，我们的方法不需要对每个人进行训练，不依赖于人脸检测和裁剪，生成完整的图像(而不仅仅是人脸或嘴唇)，并考虑广泛的场景(例如可见的躯干或不同的主题身份)，这对于正确合成交流
2024-04-08 15:01:59
2581
原创 【图像拼接】源码精读：Parallax-Tolerant Unsupervised Deep Image Stitching（UDIS++）
注：Pytorch代码。【图像拼接论文精读】专栏对应文章【图像拼接】论文精读：Parallax-Tolerant Unsupervised Deep Image Stitching（UDIS++）配合对应的文章阅读，效果更佳！注：请重点关注代码段中的注释！！！有一些讲解的东西直接写在代码段的注释中了，同时多关注红色字体和绿色字体！！！我认为深度学习方法和传统方法有很多相似之处。比如：深度学习中的损失函数和传统方法中的对齐项、失真项等其实原理相同，只是求解方式不同。
2024-04-08 15:00:39
3118
13
原创 【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）
在本文中，我们证明了在相同的参数和计算预算下，ReLU激活前具有更广泛特征的模型对于单图像超分辨率 (SISR) 具有显着更好的性能。生成的 SR 残差网络在每个残差块的激活之前具有更宽的 (2× 到 4 倍) 通道的小恒等映射路径。为了在不增加计算开销的情况下进一步扩大激活(6×到9×)，我们在SR网络中引入线性低秩卷积，实现了更好的精度-效率权衡。此外，与批量归一化或没有归一化相比，我们发现使用权重归一化进行训练可以提高深度超分辨率网络的准确性。我们提出的SR网络WDSR在计算复杂度相同或更低的PSNR
2024-04-01 11:07:00
4358
原创 【图像拼接/扩散模型】论文精读：RecDiffusion: Rectangling for Image Stitching with Diffusion Models（重磅！CVPR 2024）
来自不同捕获的图像拼接通常会导致非矩形边界，这通常被认为是不吸引人的。为了解决非矩形边界，当前的解决方案涉及裁剪，它丢弃图像内容、修复，这可能会引入不相关的内容或扭曲，这可能会扭曲非线性特征并引入伪影。为了克服这些问题，我们引入了一种新的基于扩散的学习框架RecDiffusion用于图像拼接矩形化。该框架结合了运动扩散模型(MDM)来生成运动场，有效地将拼接图像的不规则边界过渡到几何校正的中间。然后是内容扩散模型(CDM)进行图像细节细化。值得注意的是，我们的采样过程利用加权图来识别CDM每次迭代过程中需要
2024-04-01 11:06:20
4995
2
原创 【图像超分】论文精读：Residual Dense Network for Image Super-Resolution（RDN）
一个非常深的卷积神经网络 (CNN) 最近在图像分类 (SR) 方面取得了巨大成功，并提供了分层特征。然而，大多数基于深度 CNN 的 SR 模型没有充分利用原始低分辨率 (LR) 图像中的层次特征，从而实现相对较低的性能。在本文中，我们提出了一种新的残差密集网络(RDN)来解决图像SR中的这个问题。我们充分利用所有卷积层的分层特征。具体来说，我们提出了残差密集块（RDB）通过密集连接的卷积层提取丰富的局部特征。RDB 进一步允许将前一个 RDB 的状态与当前 RDB 的所有层直接连接，从而产生连续的内存
2024-03-31 07:27:29
4473
原创 【图像超分】论文精读：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution（LapSRN）
卷积神经网络最近证明了单图像超分辨率的高质量重建。在本文中，我们提出了拉普拉斯金字塔超分辨率网络(LapSRN)来逐步重建高分辨率图像的子带残差。在每个金字塔级别，我们的模型以粗分辨率的特征图作为输入，预测高频残差，并使用转置卷积进行上采样到更精细的级别。我们的方法不需要双三次插值作为预处理步骤，从而大大降低了计算复杂度。我们使用稳健的 Charbonnier 损失函数使用深度监督训练所提出的 LapSRN，并实现高质量的重建。此外，我们的网络通过渐进式重建在一次前馈传递中生成多尺度预测，从而促进资源感知应
2024-03-31 07:27:00
4462
原创 【图像超分】论文精读：Image Super-Resolution Using Dense Skip Connections（SRDenseNet）
最近的研究表明，利用深度卷积神经网络可以显著提高单幅图像超分辨率方法的性能。在这项研究中，我们提出了一种新的单图像超分辨率方法，通过在非常深的网络中引入密集的跳跃连接。在所提出的网络中，每一层的特征图被传播到所有后续层，提供了一种有效的方法来结合低级特征和高级特征来提高重建性能。此外，网络中的密集跳跃连接使短路径可以直接从输出构建到每一层，缓解了非常深的网络的梯度消失问题。此外，将反卷积层集成到网络中以学习上采样滤波器并加速重建过程。此外，所提出的方法大大减少了参数的数量，提高了计算效率。
2024-03-30 11:08:11
4490
原创 【图像超分】论文精读：ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
超分辨率生成对抗网络(SRGAN)[1]是一项开创性的工作，能够在单幅图像超分辨率过程中生成逼真的纹理。然而，幻觉细节往往伴随着令人不快的伪影。为了进一步提高视觉质量，我们深入研究了SRGAN的三个关键组件——网络架构、对抗性损失和感知损失，并改进它们中的每一个以获得增强的SRGAN (ESRGAN)。特别是，我们引入了无批归一化的残差密集块(RRDB)作为基本网络构建单元。此外，我们借鉴了相对论GAN[2]的思想，让鉴别器预测相对真实性而不是绝对值。
2024-03-30 11:07:12
4498
原创 【图像超分】论文精读：Fully 1 × 1 Convolutional Network for Lightweight Image Super-Resolution (SCNet)
深度模型在单图像超分辨率 (SISR) 任务上取得了显着过程，特别是具有大内核 (3 × 3 或更多) 的大型模型。然而，此类模型的大量计算足迹阻碍了它们在实时、资源受限的环境中部署。相反，1 × 1 卷积带来了可观的计算效率，但在聚合局部空间表示方面存在困难，这是 SISR 模型的基本能力。为了应对这种二分法，我们建议协调 3 ×3 和 1 × 1 内核的优点，并利用轻量级 SISR 任务的巨大潜力。具体来说，我们提出了一个简单而有效的全卷积网络，称为基于 Shift-Conv 的网络 (SCNet)。通
2024-03-29 09:08:34
4522
原创 【图像超分】论文精读：SRResNet/SRGAN
尽管使用更快更深的卷积神经网络在单幅图像超分辨率的准确性和速度方面取得了突破，但一个中心问题在很大程度上仍未解决：当我们在大型放大因子上超分辨率时，我们如何恢复更精细的纹理细节。基于优化的超分辨率方法的行为主要是由目标函数的选择驱动的。最近的工作主要集中在最小化均方重建误差上。生成的估计具有较高的峰值信噪比，但它们通常缺乏高频细节，并且在感知上不令人满意，因为它们无法匹配更高分辨率的保真度。在本文中，我们提出了SRGAN，一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知，这是第一个能够为4×
2024-03-29 09:07:29
4572
原创 【图像超分】论文精读：CoSeR: Bridging Image and Language for Cognitive Super-Resolution（CoSeR）
现有的超分辨率(SR)模型主要关注恢复局部纹理细节，往往忽略了场景中的全局语义信息。这种疏忽可能导致在恢复过程中遗漏关键的语义细节或引入不准确的纹理。在我们的工作中，我们引入了认知超分辨率 (CoSeR) 框架，使 SR 模型具有理解低分辨率图像的能力。我们通过结合图像外观和语言理解来生成认知嵌入来实现这一点，它不仅激活来自大型文本到图像扩散模型的先验信息但也有助于生成高质量的参考图像来优化SR过程。为了进一步提高图像保真度，我们提出了一种新的条件注入方案，称为“All-in-Attention”，将所有条
2024-03-28 09:23:51
4784
原创 【图像超分】论文精读：Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR和MDSR）
最近对超分辨率的研究随着深度卷积神经网络 (DCNN) 的发展取得了进展。特别是，残差学习技术表现出更好的性能。在本文中，我们开发了一个增强的深度超分辨率网络（EDSR），其性能超过了当前最先进的 SR 方法。我们模型的显着性能改进是由于通过删除传统残差网络中不必要的模块进行优化。当我们稳定训练过程时，通过扩展模型大小可以进一步提高性能。我们还提出了一种新的多尺度深度超分辨率系统(MDSR)和训练方法，该方法可以在单个模型中重建不同缩放因子的高分辨率图像。所提出的方法在基准数据集上比最先进的方法表现出更好的
2024-03-28 09:23:22
4756
原创 【图像超分】论文精读：Resolution enhancement in scanning electron microscopy using deep learning
我们报告了使用生成对抗网络的扫描电子显微镜 (SEM) 图像中的分辨率增强。我们通过推断低分辨率 SEM 图像中的未解析特征并将它们与相同样本的准确共同配准的高分辨率 SEM 图像进行比较来证明这种基于深度学习的超分辨率技术的准确性。通过空间频率分析，我们还报告了我们的方法生成具有频谱的图像，该频谱匹配相同视场的更高分辨率的 SEM 图像。通过使用这种技术，可以更快地获取更高分辨率的 SEM 图像，同时还可以减少样品的电子充电和损坏。
2024-03-27 07:32:45
4938
原创 【图像超分】论文精读：APISR: Anime Production Inspired Real-World Anime Super-Resolution
虽然现实世界的动漫超分辨率(SR)在SR社区中受到越来越多的关注，但现有的方法仍然采用照片级真实感领域的技术。在本文中，我们分析了动漫制作工作流程，并重新思考如何为了现实世界的动漫 SR 使用它的特征。首先，我们认为由于重复使用手绘帧，视频网络和数据集对于动漫 SR 不是必需的。相反，我们通过从视频源中选择最压缩和信息量最大的帧，提出了一种动漫图像收集管道。基于这个管道，我们介绍了 Anime Production-oriented Image (API) 数据集。此外，我们确定了扭曲和微弱的手绘线和不需要
2024-03-27 07:31:50
5009
原创 【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
2024-03-26 07:28:11
5227
原创 【扩散模型】论文精读：Denoising Diffusion Probabilistic Models（DDPM）
我们使用扩散概率模型展示了高质量的图像合成结果，这是一种受非平衡热力学考虑启发的潜在变量模型。我们最好的结果是通过对加权变分界进行训练获得的，该边界是根据扩散概率模型和与朗之万动力学的去噪分数匹配之间的新联系设计的，我们的模型自然承认渐进式有损解压缩方案，可以解释为自回归解码的泛化。在无条件 CIFAR10 数据集上，我们获得了 9.46 的 Inception 分数和 3.17 的最新 FID 分数。在 256x256 LSUN 上，我们获得了类似于 ProgressiveGAN 的样本质量。
2024-03-26 07:27:04
6214
原创 【图像超分】论文复现：Pytorch实现DRRN，完美复现论文中的结果（Scale=2，PSNR=37.74）
【图像超分】论文精读：Image Super-Resolution via Deep Recursive Residual Network (DRRN)请配合上述论文精读文章使用，效果更佳！
2024-03-25 15:51:56
5310
原创 【图像超分】论文复现：万字长文！Pytorch实现VDSR！血与泪的数据处理与训练过程总结！深度学习中的各种踩坑记录！适合各种深度学习新手！帮助你少走弯路！附PSNR最优的VDSR模型权重文件！
【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)请配合上述论文精读文章使用，效果更佳！本文综合现有的VDSR相关代码，用pytorch实现极简风格的VDSR，复现论文。
2024-03-18 10:16:56
7671
2
原创 【图像超分】论文精读：Image Super-Resolution via Deep Recursive Residual Network (DRRN)
最近，基于卷积神经网络 (CNN) 的模型在单图像超分辨率 (SISR) 方面取得了巨大成功。由于深度网络的强度，这些 CNN 模型从低分辨率输入图像学习到高分辨率目标图像的有效非线性映射，但代价是需要大量的参数。本文提出了一种非常深的 CNN 模型（最多 52 个卷积层），称为深度递归残差网络 (DRRN)，用于努力实现深度而简洁的网络。具体来说，采用残差学习，无论是全局还是局部方式，以减轻训练非常深的网络的难度；递归学习用于在增加深度的同时控制模型参数。广泛的基准评估表明，DRRN 在利用更少的参数的同
2024-03-18 10:14:04
7478
如何识别区分工件正反面？
2023-03-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人