Paper notes-Residual Dense Network for Image Super-Resolution

最新推荐文章于 2025-10-05 22:19:15 发布
原创 最新推荐文章于 2025-10-05 22:19:15 发布 · 1.5k 阅读 · 2 ·
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。

本文介绍了一种用于图像超分辨率的残差密集网络(RDN)，该网络由残差密集块(RDB)组成，并具备邻接存储机制及局部特征融合等特性。通过64*3*3卷积层和ReLU激活函数实现特征提取，采用1*1卷积层进行特征融合，支持局部和全局特征融合。使用大规模训练集DIV2K和Adam优化方法进行训练。
部署运行你感兴趣的模型镜像

Paper notes-Residual Dense Network for Image Super-Resolution

论文地址：https://arxiv.org/pdf/1802.08797.pdf

代码地址：https://github.com/yulunzhang/RDN/tree/master/RDN_TrainCode

作者提出了一个RDN（Residual Dense Network）网络主要模块由RDB (Residual Dense block)构成。

主要网络结构：


RDB模块与不同模块对比：


RDB优势：

1，拥有邻接存储机制(contiguous memory mechanism)

2,  局部特征融合(local feature fusion)

网络细节：

除了融合模块，其他的全部采用64*3*3的卷积层，后接relu激活函数。局部特征卷积层和全局特征卷积层均采用64*1*1进行融合。网络可以全局特征融合，局部特征融合，还采用了局部残差方式。采用的训练集为DIV2K，数据量很大。采用Adam优化方法，epoch为200，学习率为1e-4。

结果：




您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型，相比 3.0 版本，它提升了图像质量、运行速度和硬件效率

Residual dense network for intensity-guided depth map enhancement
02-08
The depth maps captured by sensors always suffer from low resolution and random noise. Recently, by introducing the guidance from the color image, deep convolutional neural network (DCNN) shows significant improvements for depth map enhancement. However, most DCNN-based methods do not make full use of multi-scale guidance from the color image, thereby achieving sub-optimal performances. In this paper, we propose a novel DCNN to progressively reconstruct the high-resolution depth map guided by th
Residual Dense Network for Image Super-Resolution 代码详解
Andy的博客
12-05 3997
Residual Dense Network for Image Super-Resolution 以下是 RND论文Tensorflow版本实现的源码解析，我假设你已经了解Python的基本语法，和Tensorflow的基本用法，如果你对它们不是很熟悉，请到它们的官网查阅tutorial。 以下所有代码你都可以在我的仓库找到，chinese_annotation文件夹下是我添加中文注释后...
图像超分辨之RDN（Residual Dense Network）
热门推荐
年轻即出发，
08-06 4万+
  论文： Residual Dense Network for Image Super-Resolution  Github： https://github.com/yulunzhang/RDN https://github.com/hengchuan/RDN-TensorFlow   整体结构：   RDN（Residual Dense Network）主要包含4个模块。...
神经网络结构——CNN、RNN、LSTM、Transformer ！！
最新发布
jennycisp的博客
10-05 1853
本文将从什么是CNN？什么是RNN？什么是LSTM？什么是Transformer？四个问题，简单介绍神经网络结构。神经网络结构卷积神经网络**（CNN）：**通过卷积和池化操作有效地处理高维图像数据，降低计算复杂度，并提取关键特征进行识别和分类。循环神经网络**（RNN）：一种能处理序列数据并存储历史信息的神经网络，通过利用先前的预测作为上下文信号，对即将发生的事件做出更明智的决策。**
【文章阅读】【超解像】--Residual Dense Network for Image Super-Resolution
happyday_d的博客
12-31 2300
【文章阅读】【超解像】–Residual Dense Network for Image Super-Resolution 论文链接：https://arxiv.org/pdf/1802.08797.pdf code：https://github.com/yulunzhang/RDN 1.主要贡献 ​ 本文作者结合Residual Black和Dense Black提出了RDN(Residual ...
RDN:Residual Dense Network for Image Super-Resolution
清风吹斜阳
03-11 1628
Residual Dense Network for Image Super-Resolution Yulun Zhang , Yapeng Tian , Yu Kong , Bineng Zhong , Yun Fu CVPR2018 摘要 论文认为之前的方法没有取得较好超分辨率结果的原因是因为它们没有利用低分辨率图像的层次信息。而论文提出了残差密集块可以解决这个问题。经过残差链接的卷积...
图像超分辨论文理解：Residual Dense Network for Image Super-Resolution
造未来
04-28 3609
该论文出自2018年。 文章主要围绕如何充分利用以前层的信息，从而使用了dense连接和残差结构。 dense连接可以将以前层的输出传递到当前层的输入上，从而可以充分利用以前层的特征信息。而残差结构可以使训练稳定并加速训练过程，提高网络性能。 网络结构如下： 该网络主要由四部分组成： 1、shallow feature extraction net (SFENet) 该层由两个卷积层组成，第一个...
语义分割 - Semantic Segmentation Papers
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
【Paper Reading】
bryant_meng
08-09 4260
欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。《International Comference on Computer Vision》，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。那么一年过去了，合格的论文评审人员的增幅是否赶得上论文的增幅呢？
Paper之CVPR&ICCV&ECCV：2009年~2019年CVPR&ICCV&ECCV(国际计算机视觉与模式识别会议&国际计算机视觉大会&欧洲计算机视觉会议)历年最佳论文简介及其解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-06 8465
Paper之CVPR&ICCV&ECCV：2009年~2019年CVPR&ICCV&ECCV(国际计算机视觉与模式识别会议&国际计算机视觉大会&欧洲计算机视觉会议)历年最佳论文简介及其解读 目录 Paper之CVPR&ICCV&ECCV：2009年~2019年CVPR&ICCV&ECCV(国际计算机视觉...
计算机视觉学习资料汇总（超多干货）
qq_29462849的博客
12-21 4349
前言 本资料首发于公众号【3D视觉工坊】，更多干货请关注公众号后台回复关键字获取~ （一）基础操作 Linux 学习网站 Linux中国：https://linux.cn/ 鸟哥的linux私房菜：http://linux.vbird.org/ Linux公社： https://www.linuxidc.com/ 学习书籍 《鸟哥的Linux私房菜》 《Linux命令行与shell脚本编程大全》 ...
目标检测 cvpr iccv eccv最新进展，包含代码
xiao__run的博客
05-21 5222
object-detection Contents: R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 SSD DSSD FSSD ESSD MDSSD Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD Based on han...
【论文笔记】（SR）《Residual Dense Network for Image Super-Resolution》
jiamenghu的博客
10-28 573
《Residual Dense Network for Image Super-Resolution》论文阅读笔记 针对的问题 ：针对目前大多数基于CNN的SR模型不能充分利用原始低分辨率（LR）图像的层次特征（the hierarchical features ），只实现了较低的表现。 提出的办法 ：提出了一种 residual dense network (RDN)解决这个问题。 使用 residual dense block (RDB) ：使用密集连接的卷积层来提取局部特征 RDB会将前面的RDB状
【论文笔记1_超分辨】（RDN）Residual Dense Network for Image Super-Resolution
HaotianYan的博客
09-15 4290
文章目录Abstract1. Introduction Abstract 深层CNN拥有提取多层次特征的能力，最近在图像超分辨（SR）领域取得了不错的进展。然而，大多数基于CNN的SR模型不能很好地利用这些来自LR的各级特征，导致相对较低的性能。 在本篇文章里，我们提出了一种全新的残差密集网络（Residual Dense Network，RDN）以解决图像SR中的这一问题。 RDN能够充分利用所有卷积层中的各个层次信息。我们提出的残差密集块（Residual Dense Block，RDB）通过将卷积层
【图像超分】论文精读：Residual Dense Network for Image Super-Resolution（RDN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-31 6982
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
超分算法RDN：Residual Dense Network for Image Super-Resolution 超分辨率图像重建
qq_45122568的博客
04-11 5591
这篇文章总结分析了ResNet 和DenseNet的优缺点，并将其结合，提出了新的结构ResidualDenseNet。文章中对ResNet 和DenseNet以及MemNet都进行了简单的对比分析。四篇原文都放在下面。 参考文档： RDN：https://arxiv.org/pdf/1802.08797v2.pdf ResNet：https://arxiv.org/pdf/1512.03385.pdf DenseNet：https://arxiv.org/pdf/1608.06993.pdf MemNe.
实验笔记之——Residual Dense Network for Image Super-Resolution (RDN)
gwpscut的博客
08-06 1938
论文链接：https://arxiv.org/pdf/1802.08797.pdf 代码链接：https://github.com/yulunzhang/RDN python train.py -opt options/train/train_sr.json python3 test.py -opt options/test/test_sr.json source activate ...
Residual Dense Network for Image Super-Resolution(RDN)
weixin_45112212的博客
08-02 573
RDN网络结构及其特点，突出了其在图像超分辨率任务中的优越性能。
Paper | Residual Dense Network for Image Super-Resolution
LVXIAO2897的博客
10-02 529
目录 Residual dense block & network 和DenseNet的不同 摘要和结论 发表在2018年CVPR。 摘要和结论都在强调方法的优势。我们还是先从RDN的结构看起，再理解它的背景和思想。 Residual dense block &am...
Residual Dense Network for Image Restoration
04-06
### 关于残差密集网络（Residual Dense Network, RDN）在图像恢复中的实现与应用 #### 背景介绍 RDN 是一种专门设计用于图像复原任务的卷积神经网络模型，其核心在于通过结合残差连接和密集连接来增强特征提取能力...
评论
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