Learning a Deep Convolutional Network for Image Super-Resolution 超分辨开山之作

srcnn (Learning a Deep Convolutional Networkfor Image Super-Resolution)论文阅读笔记 SRCNN论文阅读笔记 阅读详情

摘要
我们提出了一种单图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。映射表示为深卷积神经网络(CNN),该网络将低分辨率图像作为输入,并输出高分辨率图像。我们进一步表明,传统的基于稀疏编码的SR方法也可以看作是一个深卷积网络。但与分别处理每个组件的传统方法不同,我们的方法联合优化了所有层。我们的deep CNN具有轻量级结构,同时展示了最先进的恢复质量,并实现了快速实用的在线使用。

在这里插入图片描述
总的来说,这项工作的贡献主要体现在三个方面:
1.我们提出了一种用于图像超分辨率的卷积神经网络。这个网络直接学习低分辨率和高分辨率之间的端到端映射图像,除了优化之外,几乎没有任何前/后处理。
2.我们建立了基于深度学习的SR方法与传统的基于稀疏编码的SR方法之间的关系。这种关系为网络结构的设计提供了指导。
3.我们证明了深度学习在经典的计算机视觉中是有用,对于超分辨率问题,并能达到良好的质量和速度。
主要流程
考虑单个低分辨率图像。我们首先使用双三次插值将分辨率提升到所需的尺寸,这是我们执行的唯一预处理。将插值图像表示为Y。我们的目标是从Y中恢复图像F(Y),该图像尽可能类似于地面真实高分辨率图像X。为了便于表示,我们仍然将Y称为“低分辨率”图像,尽管其大小与X相同。我们希望学习映射F,其概念上包括在三项:
1.块提取和表示:此操作从低分辨率图像Y中提取(重叠)块,并将每个面片表示为一种高维向量。这些向量包括一组特征图,这个数等于向量的维数。
**2.非线性映射:**此操作非线性映射每个高维向量到另一个高维向量。每个映射向量在概念上是一个高分辨率块的表示。这些向量包含另一组特征映射。
**3.重建:**此操作聚合上述高分辨率块表示,以生成最终的高分辨率图像。该图像计算与真实图X相似。
在这里插入图片描述
Loss损失函数
这是通过最小化重建图像F(Y)和相应的真实高分辨率图像X之间的损失来实现的。给定一组高分辨率图像及其相应的低分辨率图像,我们使用均方误差(MSE)作为损失函数:
在这里插入图片描述
实验结合及相关参数指标

在英特尔CPU 3.10 GHz和16 GB内存电脑上,我们的方法平均每张图像需要0.39秒。在这里插入图片描述

更多计算机视觉与图形学相关资料,请关注微信公众号:计算机视觉与图形学实战
在这里插入图片描述
论文下载请在公众号内回复:paper

参考学习的资料:https://blog.youkuaiyun.com/weixin_41923961/article/details/80086820
如果您认为上面的内容对您有一定的价值,可以对我们进行小小的赞助,来支持我们的工作,因为后续打算构建自己的网站,谢谢:
在这里插入图片描述

基于深度学习的高分辨率重建上采样算法总结 回到r,每个pixel有r2个channel,把它铺平,成为一个r x r的SR大像素,所以(r2C, H x W)就成了(C, r x r x H x W), 也就是(C, rH, rW)网络的输入是原始低分辨率图像,通过三个卷积层以后,得到的特征为r^2WH ,其中WH与输入图像大小相同,再将特征图像每个像素的 r^2个通道重新排列成一个 r*r 的区域,即将r^2WH特征经过重排得到rW*rH的输出,实现了图像r倍上采样。比如input的shape是(1, 64, 20, 30), r = 2, 阅读详情

相关推荐

UDS诊断入门第一课:手把手教你玩转0x10会话控制服务(附ISO14229实战解析)

刚接触汽车电子诊断的工程师们,往往会被厚厚的ISO 14229标准文档和各种专业术语吓退。但就像学习编程要从"Hello World"开始一样,掌握UDS协议的最佳切入点就是0x10诊断会话控制服务。这个看似简单的服务,实际上是整个诊断系统的"钥匙"——它决定了ECU(电子控制单元)当前处于何种工作模式,直接影响着其他诊断服务的可用性。 在实际车辆诊断中,ECU默认处于DefaultSession模式,这种模式下许多高级诊断功能是被禁用的。想象一下你正在开发一个需要刷写ECU固件的工具,如果连最基本的会

weixin_30402343的博客 394

Learning a Deep Convolutional Network for Image Super-Resolution

Abstract 我们提出了一种单图像超分辨率(SR)的深度学习方法。 我们的方法直接学习低/高分辨率图像之间的端到端映射。 该映射表示为深度卷积神经网络(CNN),它将低分辨率图像作为输入并输出高分辨率图像。 我们进一步表明,传统的基于稀疏编码的SR方法也可以被视为深度卷积网络。但与分别处理每个组件的传统方法不同,我们的方法共同优化所有层。 我们的深CNN具有轻质结构,同时展示了最先进的修复质...

u013049912的博客 2269

应急响应-windows入侵检测分析、检测以及病毒查杀的权威性工具

2.1 病毒分析 从windows系统信息、软件、进程、内核、注册表、网络、文件、服务等各类系统信息展示并给出分析,提供给专家或安全人员分析使用工具。 1)PCHunter:http://www.xuetr.com PC Hunter是一个Windows系统信息查看软件,同时也是一个手工杀毒辅助软件。 常用进程、内核驱动、端口、内核、磁盘、卷、键盘、网络层等过滤驱动检测、注册表编辑、进程iat、eat、inline hook、patches检测和恢复、文件系统、SPI、启动项、服务、Host文件、映像

xianjie0318的博客 3895

(SRCNN)Learning a Deep Convolutional Network for Image Super-Resolution

提出了一种用于单幅图像超分辨率的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深度卷积神经网络(CNN)[15],以低分辨率图像作为输入输出高分辨率图像。我们进一步证明了传统的基于稀疏编码的SR方法也可以被视为一个深度卷积网络。 ...

M_Y_Y_的博客 1361

基于TL431与光耦的电压反馈环路优化设计实战

本文深入探讨了基于TL431与光耦的电压反馈环路优化设计实战。文章从理解这对“黄金搭档”的工作原理入手,详细拆解了电压采样电阻网络、偏置电路、光耦工作点设置以及动态补偿网络的设计心法与计算步骤。重点分享了如何通过RC补偿网络调试,确保环路在各种负载下稳定可靠,并提供了关键的实战避坑指南,帮助工程师解决电源设计中常见的振荡、噪声及可靠性问题。

nginx7reverse的博客 781

昆仑通态,自由串口通讯

软件默认无该功能,需要问客服索要扩展包。

cfqq1989的博客 1545

【图像超分辨率】Learning a Deep Convolutional Network for Image Super-Resolution

Learning a Deep Convolutional Network for Image Super-ResolutionAbstract1 Introduction2 Related WorkImage Super-ResolutionConvolutional Neural NetworksDeep Learning for Image Restoration3 Convolutional Neural Networks for Super-Resolution3.1 FormulationPat

qq_41807261的博客 2283

脑影像分析工具JuSpace:跨模态关联的神经递质系统研究利器

JuSpace是一款专业的脑影像分析软件,专为跨模态关联研究设计。它能够将功能或结构磁共振影像与神经递质PET/SPECT图谱进行空间关联分析,帮助研究者探索宏观脑影像异常与微观神经化学系统(如多巴胺、血清素)之间的潜在联系,是神经精神疾病机制研究的强大工具。

c2d3e4f的博客 544

(SRCNN)及pytorch实现_Learning a Deep Convolutional Network for Image Super-Resolution——超分辨率(二)

文章目录Learning a Deep Convolutional Network for Image Super-Resolution算法简介算法流程Patch extraction and representationNon-linear mapping 非线性映射Reconstruction训练测试实验结果 Learning a Deep Convolutional Network for ...

xu_fu_yong的专栏 1万+

【从零开始vnpy量化投资】十一. 实盘接入测试与正式实盘

本篇主要讲解如何使用vnpy进行实盘交易,由于上一节我们已经学习了模拟盘运行,如果一切顺利的话,只需要通过穿透测试,就可以正式部署实盘了。

魔落的博客 4233

BUCK-BOOST升降压电路Multisim电路仿真分析

本文分析了三极管型BUCK-BOOST升降压开关电源的工作原理。该电路结合了BUCK降压和BOOST升压拓扑,通过控制三极管Q1的高频通断,使电感L1周期性储能和释能,实现输出电压可高于或低于输入电压且极性相反。详细阐述了Q1导通和关断阶段的工作过程,推导了输出电压与占空比的关系式Vo=-D/(1-D)*Vi,并分析了不同占空比下的工作模式(降压、升压)。通过Multisim仿真验证了理论分析,当D=25%时输出降压至1.6V,D=60%时输出升压至7.5V。电路具有升降压灵活、极性反转、效率高等特点,适用

XU157303764的博客 1437

SRCNN论文精读

摘要:我们提出了一种单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为以低分辨率图像为输入,高分辨率图像为输出的深层卷积神经网络(CNN)[15]。我们进一步表明,传统的基于稀疏编码的SR方法也可以被视为一个深层卷积网络。但与单独处理每个部分的传统方法不同,我们的方法联合优化了所有层。我们的深层CNN具有轻量级的结构,但展示了最先进的恢复质量,并实现了实际在线使用的快速度。

m0_65590944的博客 2389

如何在Dify中安装运行pandas、numpy库(离线、在线均支持,可提供远程指导)

pandas和numpy这两个库是数据科学和数据分析中经常使用的工具包,原生的Dify无法直接使用这两个库,需要手动安装后才可以使用。本文将介绍如何在Dify中安装pandas和numpy,并在代码执行节点中运行使用pandas和numpy。Dify的代码执行节点中的python逻辑,实际是运行在Dify沙盒中的,因此我们在沙盒中安装pandas和numpy就可以了。如果您有在Dify中添加pandas、numpy的应用需求,欢迎关注作者进行交流。

litlit023的专栏 5637

超分论文开山之作-SRCNN:Learning a Deep Convolutional Network for Image Super-Resolution

我们提出了一种用于单图像超分辨率(SR)的深度学习方法。我们的方法直接学习低分辨率图像与高分辨率图像之间的端到端映射关系。该映射关系由一个深度卷积神经网络(CNN)表示,它以低分辨率图像作为输入,并输出高分辨率图像。我们进一步指出,传统的基于稀疏编码的超分辨率方法也可以被视为一种深度卷积网络。然而,与传统方法分别处理每个组件不同,我们的方法联合优化所有层。我们的深度CNN具有轻量级结构,但展现了最先进的恢复质量,并且实现了快速的速度,适用于实际的在线使用。

m0_68654818的博客 2373

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

图像超分辨率之SRCNN(Learning a Deep Convolutional Network for Image Super-Resolution)

论文下载:Learning a Deep Convolutional Network for Image Super-Resolution 代码下载:https://github.com/tegg89/SRCNN-Tensorflow 0.前期知识 图像超分辨率重建技术:用低质量、低分辨率图像(或运动序列)来产生单幅高质量、高分辨率图像 ...

qq_41950533的博客 3723

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

FEA-Net论文梳理

今天要整理的论文是《FEA-Net: A Deep Convolutional Neural Network With Physics Prior For Efficient Data Driven PDE Learning》,还是一篇用深度学习求解pde的论文,但是和上次整理的论文《DeepXDE:a deep learning library for solving differential ...

qq_38517015的博客 1598

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【论文阅读】Learning Traffic as Images: A Deep Convolutional ... [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络](3)

【论文阅读】Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络](3)3. Empirical study(实验研究)3.1. Data Description(数据描述)3.2 Time-Space Image Generation(时空图像生成)3.

weixin_43360025的博客 1063

Image Super-Resolution Using Deep Convolutional Networks

Image Super-Resolution Using Deep Convolutional Networkscode: http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html本文使用一个三层的卷积网络来实现图像超分辨率,得到很好的效果。1 I NTRODUCTION 单帧图像的超分辨率,即由一幅低分辨率图像重建出一幅高分辨率图像。在计算机视觉中这是一个

AI小作坊 的博客 6943

论文学习 :Learning a Deep Convolutional Network for Image Super-Resolution 2014

   (Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014) 摘要:我们提出了一种单图像超分辨率的深度学习方法(SR)。我们的方法直接学习在低/高分辨率图像之间的端到端映射。这个映射表现为通过一个深度的卷积神经网络CNN,把低分辨率的图像作为输入,输出高分辨率图像。我们进一步证明了...

weixin_30648587的博客 1960

Learning a Deep Convolutional Network for Image Super-Resolution(泛读)

一.文献名字和作者     Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014     二.阅读时间     2014年10月16日 三.文献的贡献点     作者提出了使用CNN来进行图像超分辨率重构,作者分析了超分辨率的主要过程,通过数学表示证明了超分辨

小胜爱捣鼓 5689

SRCNN 读书笔记

文献名称:Dong C , Loy C C , He K , et al. Learning a Deep Convolutional Network for Image Super-Resolution[J]. 2014. 文章内容: 本篇文章讲述的是深度学习在图像超分辨率重建问题的开山之作SRCNN(Super-Resolution Convolutional Neural Network)。香港中文大学Dong等将卷积神经网络应用于单张图像超分辨率重建上。 上图为SRCNN算法的框架,SRCNN将深

dididi的博客 730

图像超分辨——传统方法(个人总结)

根据自己的经验总结一下图像超分辨的方法,图像超分辨(Image Super Resolution)可以分为传统方法和深度学习方法,传统方法一直都在出paper,最近几年深度学习在处理图像、文本、语音的任务上表现出了一定的优势,所以基于深度学习做超分辨在最近几年发了很多paper,包括最早地将CNN用于超分辨,后来的ResNet,GAN等。 lena的原始图像为512×512,lena x4为1/...

SimonCoder的专栏 2万+

渣画质的救赎:基于GAN的超分辨率方案

本次给大家介绍2篇文章——SRGAN[3]和ESRGAN[5],基于生成对抗网络的超分辨率方案。 先回顾一下以往的方法: 1. 图像放大与基于CNN的超分方案 所有使用电脑的人都会用到图片放大的操作,而把图片放大超过其分辨率后,图片就会模糊。传统放大图片都是采用插值的方法,最常用的有最近邻插值(Nearest-neighbor)、双线性插值(Bilinear)、双立方插值(bicubic)等,这些方法的速度非常快,因此被广泛采用。 基于卷积神经网络/深度学习超分方案的开山之作叫做SRCNN(Supe

爱CV 4244

基于深度学习的图像超分辨率方法 总结

基于深度学习的SR方法 懒得总结,就从一篇综述中选取了一部分基于深度学习的图像超分辨率方法。 原文:基于深度学习的图像超分辨率复原研究进展 作者:孙旭 李晓光 李嘉锋 卓力 北京工业大学信号与信息处理研究室 来源:中国知网 1.基于前馈深度网络的方法 前馈深度网络是典型的深度学习模型之一。网络中各个神经元从输入层开始,接收前一级输入,并输入到下一级, 直至输出层。整个网络中无反馈...

木瓜子的博客 3万+

【深度学习】 - 作业7: 图像超分辨率重建

本次案例将使用生成对抗网络来实现4倍图像超分辨任务,输入一张低分辨率图像,生成器会生成一张4倍超分辨率的图像,如图1所示。生成对抗网络选用SRGAN结构[1]。本案例训练集使用DIV2K数据集[2],包含有800张2K左右高分辨率的图像和800张对应的低分辨率图像;测试集使用DIV2K验证集[2]、Set5、Set14、B100、Urban100五个数据集,分别包括高分辨率图像和对应的低分辨率图像。

victor_manches的博客 1578

深度学习训练营-基于GAN实现人脸图像超分辨率重建实战-Task1-超分辨基础(理论)-20240506

在前上采样框架中首先使用反卷积来完成上采样是一种很自然的操作,但是它计算复杂度较大,因此SRCNN的作者后来将该上采样过程放置在网络最后端,通过一个反卷积来学习该上采样过程,将其命名为FSRCNN框架。而Twitter图片与视频压缩研究组则采用了与反卷积完全不同的上采样思路,提出了ESPCN模型,其中核心思想是亚像素卷积(sub-pixel convolution),完整流程示意图如下:

u010503464的博客 710
上一篇: OpenCV-Python几个好玩有趣的项目
下一篇: Deep Convolutional Network for Image Super-Resolution
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值