Multi-scale Residual Network for Image Super-Resolution 文章的解读

基于多尺度残差密集块和块连接级联U-Net的真实图像去噪 为了解决这一问题,本文介绍了一种新的利用来自真实的噪声图像中的真实的噪声的数据排列方法。如图4所示,该方法的第一步是将groundtruth图像与相应的噪声图像相减,生成噪声图像数据。对于噪声数据,噪声聚类过程根据其对应的地真强度值将数据分为N个簇。排列后,生成新的合成噪声图像,并将其加回相应的groundtruth图像,生成新的合成噪声图像。传统的图像去噪研究主要集中在去除sRGB数据中的噪声,而近些年研究发现在Bayer原始数据中去噪将比在sRGB数据中去噪更有效。......... 阅读详情

MSRN: Multi-scale Residual Network for Image Super-Resolution(多尺度残差网络)

论文地址:http://openaccess.thecvf.com/content_ECCV_2018/papers/Juncheng_Li_Multi-scale_Residual_Network_ECCV_2018_paper.pdf

网络结构:

网络结构分成两个部分,一是特征提取部分,二是重建部分。这篇文章读的比较懂,所以可以多说一点。

(i) 特征提取部分分成两个部分,一是多尺度残差块(MSRB),二是前面的M0,M0是MSRB之前的部分。

(ii) 第一层卷积M0是用做初步的特征提取。

(iii) 之后的M1到Mn的内部结构是一模一样的。文中最重要的部分在这里,就是多尺度的概念,这里的多尺度指的是卷积核大小。

(iv) 接下来,到了特征提取和重建中间的部分,在这里,将之前所有多尺度残差块的输出以及M0都“排队”到这里。

(v) 然后,用了通道压缩的函数,将之前“排队”得到的结果压缩成我们想要的数量,这里的数量和我们想要重建图像的大小有关系。

(vi) 最后,使用Pixel Shuffle(像素重组)ESPCN里的技术将图像扩大尺寸,在经过一个卷积层,得到最后的重建图像。

 

多尺度残差块(MSRB)

Multi-scale

这里需要讲一下卷积核的作用,卷积核也就是在图像中的“滤波”。图像中的滤波在做卷积运算的时候,能够实现对图像特征的提取。而不同大小的卷积核能够提取到的图像特征是不同的,所以在同一个网络中使用两种卷积核,那么不同的特征就能够在一个网络中得到,进而实现图片更高超分辨率的要求。

MSRB

这里我们讲一下n=1的情况,这里的输入是经过第一层的M0,分成两个部分,一边是3x3的卷积核,另一边是5x5的卷积核。通过之后,将两部分的输出串(concat)在一起,特征图的通道数是之前的两倍。而这里作为后部分的输入,和之前一样,再做一遍。之后得到的通道数是开始的4倍,要想实现残差的操作,必须将通道数变成和开始的输入一样。所以后面的1x1的卷积核实现的是将特征图的通道数压缩,最后再加上残差的操作。输出的是M1

                                                                       S_{1}=\sigma (w^{1}_{3\times 3}\ast M_{n-1}+b^{1})

                                                                       P_{1}=\sigma (w^{1}_{5\times 5}\ast M_{n-1}+b^{1})

                                                                       S_{2}=\sigma (w^{2}_{3\times 3}\ast [S_{1},P_{1}]+b^{2})

                                                                       P_{2}=\sigma (w^{2}_{5\times 5}\ast [P_{1},S_{1}]+b^{2})

                                                                         {S}'=w^{3}_{1\times 1}\ast [S_{2},P_{2}]+b^{3}

                                                                               M_{n}={S}'+M_{n-1}

重建部分

重建部分有很多种情况

这里将重建部分设计的比较简单,将之前的A.B.C部分进行简化,得到最后的结果。这里在我看来没有什么新意,就是将一些没什么用的部分剔除掉了。

 

实验细节:

使用DIV2K数据集,然后再加上旋转,翻转之类的操作来增加训练的数据集。然后将图片转成YCbCr通道,然后再将Y通道的图片提取出来,作为训练的数据集。

由于实验室的硬件条件,我这里实现不了900张数据库的数据增强,所以就只使用291张的图片,再做数据的增强,目前结果还没有出,出了之后,会公布在这里。

另外文中也实现了图像的去噪和去雾的实验,展现了MSRB特征提取能力。

如果有错误,希望批评指正。

我会随时补充的。

 

 

 

 

 

(Multi-scale Residual Network for ImageSuper-Resolution)论文阅读笔记 论文地址:Multi-scale residual network for image super-resolution代码:https://github.com/MIVRC/MSRN-PyTorch 阅读详情

相关推荐

阅读(多尺度残差聚合特征网络图像超分辨重建)

论文地址:多尺度残差聚合特征网络图像超分辨重建

qq_40107571的博客 1640

MSRN:Multi-scale Residual Network for Image Super-Resolution 论文理解

Multi-scale Residual Network for Image Super-Resolution 用于图像高分辨率的多尺度残差网络 原文:Multi-scale Residual Network for Image Super-Resolution, ECCV2018 github(pytorch): https://github.com/MIVRC/MSRN-PyTorch Multi-scale Residual Network for Image Super-Resolution 论文翻

ytao_wang的博客 7761

MSRN(多尺度超分辨率重建)

MSRN网络结构

qq_40107571的博客 3268

《Multi-scale Residual Network for Image Super-Resolution》阅读

近年来的研究表明,深度神经网络可以显著提高单幅图像的超分辨率。目前的研究倾向于使用更深层次的卷积神经网络来提高性能。然而,盲目地增加网络的深度并不能有效地改善网络。更糟糕的是,随着网络深度的增加,训练过程中出现的问题越来越多,需要更多的训练技巧。在本文中,我们提出了一种新的多尺度残差网络(MSRN)来充分利用图像的特征,其性能优于大多数现有的方法。在残差块的基础上,引入不同大小的卷积核,自适应地检测不同尺度的图像特征。同时,我们让这些特征相互作用,得到最有效的图像信息,我们称之为结构多尺度残差块(MSRB)

qq_29350991的博客 1578

FMR-NET:弱光图像增强的快速多尺度残差网络及代码新版本

FMR-NET是一种创新的神经网络架构,专门设计用来处理复杂的图像识别和分类任务。该模型结合了多种深度学习技术,通过对图像特征的深入学习,实现了比传统方法更高的精度和效率。FMR-NET的核心在于其独特设计的网络结构,它能够同时捕捉局部特征与全局上下文信息,提供了一个更为全面的图像理解框架。图像增强技术用于改善图像的质量,使图像更适合于特定的应用或提高视觉效果。这些技术可以是手工操作,也可以是自动化的。传统图像增强方法通常包括直方图均衡化、滤波和锐化等手段。

weixin_35391606的博客 830

基于单片机负载控制的无人机电气设备监测系统设计

为深入分析无人机电气设备的电子负载性能,实现对传输电子量的合理性监管与控制,设计基于单片机负载控制的无人机电气设备监测系统;利用电气信号发生电路,构建负载网络控制器与以太网模块运行所需的电气设备负载环境,借助PCB监控板建立PLC扩展负载模块与核心监控主机之间的物理连接关系,实现无人机电气设备监测系统的硬件执行环境搭建;在此基础上,通过STM32型单片机移植协议,确定无人机电气设备通信主机的现有组态形式,联合已设定的监控任务有线级条件,实现监测系统的软件执行环境搭建,完成基于单片机负载控制的无人机电气设备监

weixin_45905610的博客 1301

深度学习应用到图像超分辨率重建3

多看论文,紧跟时代步伐。 我们在之前两篇博客,深度学习应用到图像超分辨率重建1, 深度学习应用到图像超分辨率重建2已经介绍了一些图像超分辨的基础了, 下面我们继续分享一些最新的一些论文。论文暂时还没有阅读,只是先列一个提纲,后续会简单介绍的。 1. CrossNet: An End-to-end Reference-based Super Resolution Network using C...

暮日落流年的博客 2681

Eureka自我保护机制

Eureka自我保护机制 默认情况下,当eureka server在一定时间内没有收到实例的心跳,便会把该实例从注册表中删除(默认是90秒),但是,如果短时间内丢失大量的实例心跳,便会触发eureka server的自我保护机制,比如在开发测试时,需要频繁地重启微服务实例,但是我们很少会把eureka server一起重启(因为在开发过程中不会修改eureka注册中心),当一分钟内收到的心跳数大量减少时,会触发该保护机制。可以在eureka管理界面看到Renews threshold和Renews(last

Soul_Ming的博客 544

Python深度学习:从入门到实战

亲爱的读者,欢迎您翻开这本书。我们即将探索的,是深度学习的宇宙——一个由数据、算法与算力构筑的奇妙世界。它既是严谨的科学,也是创造的艺术,更是一条通往未来智慧的修行之路。本书将带您从最基础的数学原理出发,亲手搭建神经网络,驾驭Transformer等前沿模型,最终将智慧转化为现实世界的价值。请放下畏惧,保持好奇。这不仅是一次知识的学习,更是一场思维的远行。来,随我一起,开启这趟非凡的旅程吧。

weixin_45747731的博客 300

【AI实战派】从零部署YOLOv8:香橙派AIpro边缘端目标检测全流程解析

本文详细解析了在香橙派AIpro边缘设备上从零部署YOLOv8目标检测模型的全流程。内容涵盖硬件开箱、环境搭建、模型转换(ONNX到昇腾OM格式)以及编写Python推理脚本,并提供了性能优化与实战技巧,帮助开发者高效实现实时边缘AI应用。

weixin_29183637的博客 333

华为eNSP与VMware虚拟机联动实战:从零搭建仿真网络环境

本文详细介绍了如何从零开始搭建华为eNSP与VMware虚拟机的联动仿真网络环境。通过环境准备、网络适配器配置、eNSP与VMware网络集成、安全策略与NAT配置等步骤,帮助读者掌握构建企业级网络实验场景的关键技术。这种组合特别适合网络工程师进阶训练和华为认证考试准备,实现低成本、高灵活性的网络仿真实验。

weixin_30415113的博客 504

基于多尺度分形残差注意力网络的超分辨率重建算法

另一方面,在网络的设计中,网络的宽度与网络的深度同样重要,网络越宽对目标特征的提取能力越强,即这一层网络能学习到更加丰富的特征,比如不同方向、不同频率的纹理特征等,因此,本方法将重点从以前的深而窄的体系结构转移到深而宽的网络结构。其中,浅层网络具有较强的空间细节信息表示能力,而深层网络具有丰富的语义信息,利用特征融合对底层特征和高层特征进行聚合,为重构高质量细节提供更丰富的信息。)增加,降低模型推理速度。,与现有方法相比,所提方法以更少的参数获得了更好的效果,重建出的图像的细节纹理更真实、更清晰。

如何心安理得的在老板眼皮下摸鱼 1406

信号完整性SI-PI

SI设计的主要难点在于需要综合信号的幅度、噪声、边沿、延时等影响信号质量的多种因素,并且这种因素常常相互依赖、互相影响,交叉在一起。1.1、信号过冲 (欠阻尼状态,可并联一个合适的电容):过冲会造成强烈的电磁干扰,另一方面会损伤后面的电路的输入及,甚至失效。信号完整性SI:是指电路系统中信号的质量,如果在要求的时间内,信号能不失真的从源端传输到接收端。优点:提供较慢的上升时间,减少反系量,产生更小的EMI,从而降低过冲,增加信号质量。导线之间的间距过小, 就会产生串扰,间距越小、串扰越大。

weixin_42304393的博客 4873

【图像超分辨率】Multi-scale Residual Network for Image Super-Resolution

Multi-scale Residual Network for Image Super-Resolution摘要1 介绍本文对应的解决方案本文的贡献2 相关工作2.1 单图像的超分辨率(Single-image Super-resolution)2.2 特征提取块(Feature Extraction Block)3 提出的方法3.1 多尺度残差块(MSRB)多尺度特征融合(Multi-scale Features Fusion)局部残差学习(Local Residual Learning)3.2 层次特

qq_41807261的博客 2635

联想X3650M5服务器双模式切换实战:UEFI与Legacy BIOS如何选择?

本文深入探讨了联想X3650 M5服务器在UEFI与Legacy BIOS启动模式间的选择策略。文章从技术原理、决策矩阵、实战切换步骤及后期验证等方面,为企业IT管理员提供了基于操作系统兼容性、存储架构、安全合规与运维习惯的完整决策框架,帮助其在数据中心硬件生命周期管理中做出明智选择。

weixin_29207533的博客 281

ddr3ip核心_DDR3 IP 核配置

DDR3 控制器 IP 核2.DDR3 IP核配置点击 Flow Navigator 面板下的“Project Manager -->IP Catalog”。 在“Memories & Storage Elements -->Memory Interface Generators”分类展开后,可以看到名为“Memory Interface Generator (MIG 7 ...

weixin_33049919的博客 2938

视频去模糊论文阅读-Multi-Scale Separable Network for Ultra-High-Definition Video Deblurring

论文链接:https://openaccess.thecvf.com/content/ICCV2021/papers/Deng_Multi-Scale_Separable_Network_for_Ultra-High-Definition_Video_Deblurring_ICCV_2021_paper.pdf 代码链接:https://github.com/dseny/UHDVD Abstract 虽然最近的研究在视频去模糊任务方面取得了重大进展,但这些方法很难同时协调推理效率和...

wwb12138的博客 1118

基于MATLAB的小波包分解(WPD)算法详解

本文详细介绍了基于MATLAB的小波包分解(WPD)算法。WPD作为信号处理领域的重要技术,继承并发展了小波分析的优点,通过正交镜像滤波器组将信号分解为不同频率子带,形成完整的二叉树结构。相比传统小波变换,WPD具有更精细的频带划分、自适应基选择能力和更高的灵活性,特别适合分析非平稳信号。文章系统阐述了WPD的数学原理、算法实现流程及其在机械故障诊断、生物医学信号处理等领域的应用。通过MATLAB代码示例展示了WPD的具体实现方法,并分析了不同参数设置对分解效果的影响,为工程实践提供了有价值的参考。

qq_42212808的博客 295

【Python&图像超分】基于深度学习的图像超分辨率重建的原理与应用

超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像, 目前应用较多的应用场景是图像及视频分辨率提高,比如可以提高以往影视作品或图像的分辨率,提高视觉感官效果;或是解决视频经有损压缩后导致视频效果退化问题。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。

Remote Sensing迷途小书童 4638

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

【图像超分辨率】End-to-End Super-Resolution for Remote-Sensing Images Using an Improved Multi-Scale Residual

提出了一种新的金字塔型多尺度残差网络(PMSRN),利用分层残差样连接和扩张卷积形成多尺度扩张残差块(MSDRB)。MSDRB增强了检测上下文信息的能力,并通过分层特征融合结构融合分层特征。为了更有效地整合不同尺度的图像特征,在MSDRBs中引入分层残差类连接(即Res2Net[18]),实现更细化的多尺度特征表示。为了尽可能地解决网络特征遗忘和利用不足的问题,将每个MSDRB层的输出作为分层特征融合结构(HFFS)的输入。最后,在重建结构中加入全局和局部特征的互补块,以缓解有用的原始信息被忽略的问题。 本

qq_41807261的博客 888

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

上一篇: Channel Attention and Multi-level Features Fusion for Single Image Super-Resolution 文章的解读
下一篇: Deep Residual Network with Enhanced Upscaling Module for Super-Resolution 文章的解读
breezero
博客等级 码龄9年 17粉丝 9原创
评论 1
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