盲超分辨：Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training和FSSR记录

最新推荐文章于 2025-12-09 19:50:25 发布
原创 最新推荐文章于 2025-12-09 19:50:25 发布 · 831 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

用csdn来记录重要的文章应该比typora好一些

文章目录

CVPR2021 CITE125 悉尼大学
code

可以借鉴的点

fig1中比较了realLR和生成LR之间的FID；【我的论文里面也可以】 FID的链接
下面的是用的AIM数据集
在这里插入图片描述

abstract

烦死了，不知道为啥之前写的没了
解决转换之后的gap：
在这里插入图片描述
其中：domain-gap aware training的意思是训练SR的时候还用了real LR的数据；domain distance weighted就是判别器判别和real LR近的权重加大
此外还改进了DS网络+小波变换；

性能比较

我很高兴这一篇表示比cincyclgan的性能要好，希望是真的；
我非常担心我们的数据做不到，无法直接加那么重的卷积；真的很难。。。。。
在这里插入图片描述
在这里插入图片描述

框架

在这里插入图片描述

DSnet

网络结构

我们的DSN以HR

最低0.47元/天 解锁文章
Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training
weixin_44994838的博客
04-23 633
Yryir​i1N​Xrxir​i1M​DSNSRNyig​DSNxir​){yig​xir​i1M​xir​yig​Lcon​Exr​∣∣yib​−DSNxir​∣∣1​Lper​Exr​∣∣ϕyib​−ϕDSNxir​))yib​xir​ϕLHHLHHLadvD​−Eyr​lo。
DASR：Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training
sinat_34546154的博客
01-12 3561
[PDF] http://xxx.itp.ac.cn/pdf/2004.01178.pdf [CODE] https://github.com/ShuhangGu/DASR ECCV 2020 Motivation 现在目前的超分方法都是在合成的LR图像上进行训练的，但是合成LR图像（如，双三次下采样）和真实LR图像域不一致，所以导致最终的超分模型在真实LR图像上的结果不理想。 目前的主流解决方法是根据给定的真实LR图像数据集，训练一个降质网络，让合成的LR图像的域与真实LR图像保持一致，以此形成LR-H.
《Pairwise Distance Distillation for Unsupervised Real-World Image Super-Resolution》 论文笔记
DD_Soly的博客
07-30 1597
较简单的退化集:较复杂的退化集（最简单情况下，:专家模型:通用模型是LR图像集，具有相同的未知退化。是另一组LR图像集，使用特定退化生成。其中，擅长，而在和上表现都一般。
CVPR2019/图像翻译：TransGaGa: Geometry-Aware Unsupervised Image-to-Image Translation几何感知的无监督图像到图像的翻译
ssshyeong的博客
06-23 1345
提出了一个新的解纠缠和翻译框架，以解决复杂的对象图像到图像的翻译任务。我们不直接学习图像空间上的映射，而是将图像空间分解为外观空间和几何潜在空间的笛卡尔积。具体地说，我们首先引入几何先验损失和条件VAE损失来鼓励网络学习独立但互补的表示。然后，翻译分别建立在外观和几何空间上。......
CVPR2024｜底层视觉(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总（附论文链接/开源代码/解析）【持续更新】
热门推荐
Kobaayyy的博客
02-27 2万+
整理汇总下今年CVPR底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务
ECCV2024｜底层视觉(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总（附论文链接/开源代码）【持续更新】
Kobaayyy的博客
07-04 8802
整理汇总下2024年ECCV底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务
【图像超分辨（SR）】一文通俗解释blind SR（盲超分）和non-blind SR（非盲超分）的区别
qq_43426078的博客
03-03 1万+
blind和non-blind的区别用一句话来概括就是：是否假设退化核已知并将其作用于图像来做网络训练。 non-blind Super Resolution： 这类方法在训练过程中都假设了退化核(也可以叫退化函数，其实就是degradation)已知，也就是说，在训练过程中一般都会使用一个确定的退化核从HR得到LR，然后来做训练。 深度学习做超分早期的大部分工作都是non-blind SR，一般过程是，把假设已知的退化核作用在图像上得到退化后的LR图像，用LR和HR来训练网络，得到的网络在面对同样退化核产
【图像盲超】Learning the Degradation Distribution for Blind Image Super-Resolution（CVPR2022）学习盲图像超分辨率的退化分布
m0_46507285的博客
03-16 5132
DAN的原作者，中科院自动化所的团队。 文章中心思想：通过建模一个随机退化模型，让HR随机退化到LR图像。LR图像与测试的real图像做GAN来区分是否是一个域的分布（对抗损失），如果不是，则返回重新生成LR图像，如果是，则进入SR model去生成SR图像（L1损失）。一句话：通过学习怎么生成真实图像的分布，合成大量的符合真实图像分布的训练样本。从而在测试真实图像时能够有很好的效果。 之前大多数基于退化学习的 SR 方法都有一个共同的缺点：它们的退化模型是确定性的，每张 HR 图像只能退化为某个
盲图像超分辨综述
qq_41620742的博客
12-16 4413
盲图像超分辨率（SR），旨在超分辨低分辨率图像，因其在促进现实应用中的意义而受到越来越多的关注。最近提出了许多新的和有效的解决方案，特别是使用强大的深度学习技术。尽管经过了多年的努力，但它仍然是一个具有挑战性的研究问题。本文系统综述了盲图像SR的研究进展，提出了根据退化建模方法和数据将现有方法分为三个不同类别的分类法。这个分类法有助于总结和区分现有的方法。我们希望提供对当前研究状态的见解，并揭示值得探索的新研究方向。最后，我们总结了常用的数据集和以往有关盲图像SR的比赛。最后，通过对不同方法的比较，详细分析
[转] CVPR 2020 & AAAI 2020超分辨率（super-resolution）方向上接收论文总结（持续更新）
u014546828的博客
06-11 4268
CVPR 2020 官网链接：http://cvpr2020.thecvf.com/ 时间：Seattle, Washington，2020年6月14日-6月19日 图像超分辨率 Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy 论文：https://arxiv.org/abs/2004.00448 代码：https://github.com/.
CVPR 2020 & AAAI 2020超分辨率（super-resolution）方向上接收论文总结
yyywxk的博客
04-11 1万+
CVPR 2020 官网链接：http://cvpr2020.thecvf.com/ 时间：Seattle, Washington，2020年6月14日-6月19日 图像超分辨率 Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy 论文：htt...
CVPR2021-图像增强
lucky_chen
09-15 3166
图像增强 1. Unsupervised Real-World Image Super Resolution via Domain-Distance Aware Training https://arxiv.org/abs/2004.01178 GitHub - ShuhangGu/DASR: Training and Testing codes for our paper "Real-world Image Super-resolution via Domain-distance Aware Tra
盲超分辨论文
m0_37569924的博客
04-26 1530
盲超分辨论文 退化模型 设LR图像为y， HR图像为x， 下采样矩阵为D， 模糊核矩阵为K， 噪声为n，那么退化模型可以表示为： (1) SR算法所要解决的问题是：在已知y的情况下求x 分两种情况： (1). 已知拍摄所用相机的PSF函数，将其作为K；未知PSF函数，模糊核设为高斯核（？） (2). 不对模糊...
多功能的图像超分辨模型：用于盲图像超分辨的非对称卷积神经网络
我爱计算机视觉
04-03 1320
哈工大、台湾国立清华大学与香港中文大学的研究人员联合提出用于盲图像超分辨的非对称卷积网络，该文收录于IEEE Transactions on Systems, Man, and Cyber...
shardingsphere-jdbc分表实现案例和算法比对
Sunchaser的博客
12-08 847
本文档基于shardingsphere-jdbc-core-spring-boot-starter 5.2.1版本验证分表能力，同时基于实际的业务场景对比几类分表策略和实现方案 分库和分表是两个截然不同的功能，分表只要我们在Springboot中引入shardingsphere-jdbc这个依赖库即可，但是分库就要单独部署一个服务shardingsphere-proxy，其他服务连接shardingsphere-proxy，从而实现分库的功能
C++ ⼀级 2024 年 03 ⽉
weixin_46669997的博客
12-05 57
当 N 为9, 6, 3, 0时，满足条件 N % 3 == 0，因此它们被输出并跟随一个 #。要注意的是，字符串“a+1= ”最后有一个空格，因而输出的内容是：a+1= 2，答案为A。输入21，21%3的结果为0，进入if的分支，因而第4行代码可以被执行。19.【判断题】C++表达式 “10”*2 执行时将报错，因为 “10” 是字符串类型而2是整数类型，它们数据类型不同，不能在一起运算。Cout后面有两个<<，第1个输出字符串5%2=，第2个输出算术运算“5%2”的结果，为1，答案为D。
从零开始写算法——链表篇：相交链表 + 反转链表
最新发布
m0_59624833的博客
12-09 464
leetcode hot100中链表的两个题
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
05-11
Feature representation learning for unsupervised cross-domain image retrieval refers to the process of extracting meaningful features from images in one domain (e.g., paintings) and using those features to retrieve similar images in another domain (e.g., photographs). This is typically done in an unsupervised manner, meaning that no explicit labels or annotations are provided to guide the learning process. One common approach to unsupervised feature representation learning is to use deep neural networks, such as convolutional neural networks (CNNs), to extract high-level features from images. These features can then be used to train a retrieval model that maps images from one domain to the other based on their similarity in feature space. There are several challenges to unsupervised cross-domain image retrieval, including differences in image content, style, and quality between domains. To address these challenges, researchers have developed a variety of techniques, such as domain adaptation, data augmentation, and adversarial training, to improve the performance of feature representation learning for cross-domain image retrieval. Overall, feature representation learning for unsupervised cross-domain image retrieval is an important area of research with many potential applications, including art history, fashion, and product recommendation.
评论 1
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