<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[GracePro的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/GracePro</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; GracePro]]></copyright><item><title><![CDATA[RealSR论文阅读：Real-World Super-Resolution via Kernel Estimation and Noise Injection]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/107067035</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/107067035</guid><author>GracePro</author><pubDate>Fri, 03 Jul 2020 10:32:49 +0800</pubDate><description><![CDATA[基于核估计和噪声注入的真实世界超分辨率
作者：Xiaozhong Ji，Yun Cao， Ying Tai， Chengjie Wang，Jilin Li，Feiyue Huang
论文CVPR2020链接
开源代码
摘要
  最近，先进的超分辨率方法在忽略模糊和噪声的理想数据集上已经取得了令人印象深刻的性能。但是，这些方法在实际的超分辨率图像中都失败了，因为它们大多采用简单的高质量图像的双三次下采样来构造低分辨率(LR)和高分辨率(HR)图像对进行训练，可能会丢失与频率相关的细节。为了解决这一问题，作者设]]></description><category></category></item><item><title><![CDATA[SAM论文笔记：A Stereo Attention Module for Stereo Image Super-Resolution]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/106769386</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/106769386</guid><author>GracePro</author><pubDate>Mon, 15 Jun 2020 19:40:36 +0800</pubDate><description><![CDATA[作者：Xinyi Ying、 Yingqian Wang 、 Longguang Wang、 Weidong Sheng、 Wei An、Yulan Guo
论文被 IEEE Signal Processing Letters (SPL2020)期刊录用。
原论文代码链接
1.1 stereo图像SR方法总结
（1）StereoSR(CVPR2018)

（2）：PASSRnet (CVPR2019)

（3）：SPAMnet（AAAI2020）


  它将左右图的信息融合分为了两个阶段。拿从右到左的转换]]></description><category></category></item><item><title><![CDATA[OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized错误提示]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/106449007</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/106449007</guid><author>GracePro</author><pubDate>Sat, 30 May 2020 23:17:58 +0800</pubDate><description><![CDATA[OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.（windows跑DL实验报错）
实验环境：win10，pytorch1.2（gpu版）, cuda10
出错提示：
OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
OMP: Hint This m]]></description><category></category></item><item><title><![CDATA[Linux - nohup - 实现后台运行程序及查看（nohup与&）]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/103056172</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/103056172</guid><author>GracePro</author><pubDate>Wed, 13 Nov 2019 20:01:46 +0800</pubDate><description><![CDATA[1. 后台执行
一般运行linux上的程序都是执行 .sh 文件（./sh文件），那如果不影响当前CMD窗口的操作，需要后台运行怎么办呢？
这时就需要借助 nohup 和 &amp; 命令来实现。
nohup java -server -Xms128M -Xmx512M -XX:MetaspaceSize=128M  -jar test.jar $1 $2 $3 &amp;

(1) nohup
...]]></description><category></category></item><item><title><![CDATA[Pytorch读取存储]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/102537559</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/102537559</guid><author>GracePro</author><pubDate>Sun, 13 Oct 2019 21:01:24 +0800</pubDate><description><![CDATA[Pytorch读写Tensor
摘自：动手学深度学习PYTORCH版（DEMO）
链接：https://link.zhihu.com/?target=https%3A//github.com/OUCMachineLearning/OUCML/blob/master/BOOK/Dive-into-DL-PyTorch.pdf
import torch
from torch import nn
x =...]]></description><category></category></item><item><title><![CDATA[python中的切片(numpy数组双冒号::后加步进值-1)]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/102079331</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/102079331</guid><author>GracePro</author><pubDate>Sun, 06 Oct 2019 14:24:50 +0800</pubDate><description><![CDATA[python中的切片(双冒号::后加步进值-1)
import numpy as np
x = np.array([[[1, 2, 3], [4, 5, 6]],
              [[1, 2, 3], [4, 5, 6]],
              [[11, 22, 33], [14, 22, 33]],
              [[11, 22, 33], [14, 22...]]></description><category></category></item><item><title><![CDATA[Meta-SR论文阅读: A Magnification-Arbitrary Network for Super-Resolution]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/101713426</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/101713426</guid><author>GracePro</author><pubDate>Sun, 29 Sep 2019 20:12:03 +0800</pubDate><description><![CDATA[1. Introduction
  单一图像超分辨率（single image super-resolution/SISR）旨在把一张较低分辨率（low-resolution/LR）的图像重建为一张自然而逼真的高分辨率（high-resolution/HR）图像。
  实际生活中，用户使用 SISR 技术把一张 LR 图像放大为自定义的大小也是一种需求。正如借助于图像浏览器，用户拖动鼠标可任意缩放...]]></description><category></category></item><item><title><![CDATA[PASSRnet论文阅读：Learning Parallax Attention for Stereo Image Super-Resolution]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/100637822</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/100637822</guid><author>GracePro</author><pubDate>Wed, 11 Sep 2019 16:10:28 +0800</pubDate><description><![CDATA[立体图像对可以用来提高超分辨率(SR)的性能，因为额外的信息提供了第二种观点。然而，由于立体图像之间的差异非常大，因此将这些信息纳入SR非常具有挑战性。在本文中,我们提出一个parallax-attention立体声超限分辨网络(PASSRnet)将信息从老特别的立体图像对,我们引入parallax-attention机制全球接受域沿纵向线来处理不同的立体影像与大差距的变化。我们还提出了一个新的和...]]></description><category></category></item><item><title><![CDATA[论文阅读EnlightenGAN: Deep Light Enhancement without Paired Supervision]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/95656882</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/95656882</guid><author>GracePro</author><pubDate>Thu, 25 Jul 2019 17:33:00 +0800</pubDate><description><![CDATA[基于深度学习的方法在图像恢复和增强方面取得了显着的成功，但是当缺乏配对的训练数据时它们仍然具有竞争力吗？作为一个这样的例子，本文探讨了低光图像增强问题，其中在实践中同时拍摄相同视觉场景的低光和普通光照片是极具挑战性的。我们提出了一种高效无监督的生成对抗网络，称为EnlightenGAN，可以在没有低/正常光图像对的情况下进行训练，但证明可以很好地概括各种真实世界的测试图像。我们建议使用从输入本身提取的信息来规范未配对训练，而不是使用真实数据来监督学习，并对低​​光图像增强问题的一系列创新进行了基准测试，包括]]></description><category></category></item><item><title><![CDATA[论文阅读Underexposed Photo Enhancement using Deep Illumination Estimation]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/92774376</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/92774376</guid><author>GracePro</author><pubDate>Tue, 18 Jun 2019 19:01:02 +0800</pubDate><description><![CDATA[基于深度学习优化光照的暗光下的图像增强
原论文作者 Ruixing Wang; Qing Zhang; Chi-Wing Fu Xiaoyong Shen Wei-Shi Zheng Jiaya Jia;
原论文CVPR2019链接
Abstract
  本文提出了一种新的神经网络来增强曝光不足的照片。我们没有像以前那样直接学习图像到图像的映射，而是在我们的网络中引入中间光照，将输入与预期的增强结...]]></description><category></category></item><item><title><![CDATA[EfficientNet论文阅读: Rethinking Model Scaling for Convolutional Neural Networks]]></title><link>https://blog.youkuaiyun.com/GracePro/article/details/92427965</link><guid>https://blog.youkuaiyun.com/GracePro/article/details/92427965</guid><author>GracePro</author><pubDate>Mon, 17 Jun 2019 21:46:52 +0800</pubDate><description><![CDATA[EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
作者  Mingxing Tan  Quoc V. Le
原论文链接
原代码链接
Abstract摘要
  卷积神经网络(ConvNets)通常是在固定的资源预算下开发的，如果有更多的资源可用，则会进行扩展（scaled up）以获得更高的精度。在本文中...]]></description><category></category></item></channel></rss>