墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
570平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
大家好，欢迎来到我们的付费视频直播回放栏目，在这个专栏中我们会每一次针对某一个主题，做1～2个小时左右的直播，包含PPT讲解与答疑交流。
作者&编辑 | 言有三
本文主题与资源
主讲人：言有三
视频时长：80分钟
PPT页数：44页
直播主题
图像降噪，低照度图像增强，图像和视频去模糊，图像和视频超分辨，图像修复等是增强图像质量常用的技术，GAN在这些计算机视觉与图像处理的各类底层任务中取得了越来越多的成果，本次直播聚焦于讲解其中的核心技术。
GAN如何用于图像降噪
GAN如何用于低照度图像增强
GAN如何用于图像去模糊
GAN如何用于图像超分辨
GAN如何用于图像修复
其他内容
PPT示例
回放地址
点击边框调出视频工具条
机器学习新手必知的五大实战领域：CV、NLP、预测、推荐与异常检测
机器学习并非抽象算法集合，而是面向真实问题的技术范式。其核心在于将非结构化数据（图像、文本、时序、行为日志）转化为可执行决策——计算机视觉聚焦空间局部性与尺度不变性，自然语言处理强调业务规则驱动的文本结构化解析；预测建模需融合驱动因子与时序规律以逼近因果链条；推荐系统本质是多目标约束下的排序优化；异常检测则在单类标签下通过重构误差或密度估计刻画正常边界。这五大方向覆盖90%企业级落地场景，具备数据可得、反馈快速、路径清晰等新手友好特性，是构建工程直觉与业务语感的关键切口。
GAN注意力机制研究——SPA-GAN: Spatial Attention GAN for Image-to-Image Translation 论文阅读笔记
GAN注意力机制研究——SPA-GAN: Spatial Attention GAN for Image-to-Image Translation论文阅读笔记 目录 GAN注意力机制研究——SPA-GAN: Spatial Attention GAN for Image-to-Image Translation论文阅读笔记 一、前人工作 二、SPA-GAN 1. 论文SPA-GAN发表于2020年TOM(IEEE Transactions on Multimedia) 2. 主要内容 ...
工业级机器学习十大实战陷阱与破局方法
机器学习模型在真实业务场景中失效，往往不是算法本身的问题，而是数据预处理、特征工程、评估指标等环节脱离了算力约束、业务闭环与人机协作三大刚性边界。本文聚焦工业落地中的核心矛盾——如缺失值处理实为责任界定、异常值常是新业务信号、阈值设定本质是权力再分配——系统揭示从数据清洗到模型回滚的十层认知滤镜。结合IoT时序预测、医疗影像诊断、金融反欺诈等27个交付项目经验，强调‘领域知识即建模前提’‘业务语义重定义时间’等关键原则，为Kaggle选手、中级算法工程师及技术负责人提供可审计、可解释、可灰度上线的工程化路径
如何让GAN生成更高质量图像？斯坦福大学给你答案
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击本文底部...
基于深度学习的低光照图像增强方法总结（2020.09.15更新）
之前在做光照对于高层视觉任务的影响的相关工作，看了不少基于深度学习的低光照增强（low-light enhancement）的文章[3,4,5,7,8,9,10]，于是决定简单梳理一下。 光照估计（illumination estimation）和低光照增强（low-light enhancement）的区别：光照估计是一个专门的底层视觉任务（例如[1,2,6]），它的输出结果可以被用到其它任务...
【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营04
典型值：λ1∈[−0.02,−0.01], λ2∈[−0.01,0], η1,η3∈[0.1,0.3], η2,η4∈[0.05,0.15]参数：δ1∈[−0.8,−0.3], δ2∈[−0.5,−0.2], δ3∈[−0.4,−0.1], δ4∈[−0.6,−0.2]参数：φ1∈[0.1,0.3], φ2∈[−0.2,−0.05], φ3∈[−0.1,0.1], φ4∈[−0.3,−0.1]参数：α∈[0.3,0.6], β∈[0.2,0.4], γ∈[0.01,0.03]
GAN网络系列博客(二)：改善StyleGAN的图像质量
在上一篇博客中，我们已经介绍了StyleGAN的基本实现。其主要通过间接隐空间映射，消除了对初始输入分布的硬性约束，能够比较灵活的迁移不同的风格到生成器的各层中。但是，该项工作生成的人脸图像，仍然存在一些不稳定的情况，其图像质量以及语义结构不能被保证。为了解决该问题，StyleGAN2被提出。
GAN在图像增强中的应用实战指南
本文还有配套的精品资源，点击获取 简介：图像增强技术通过算法改善图像质量，GAN作为一种生成对抗网络，在此领域具有重要应用。通过生成器和判别器的对抗性训练，GAN可以生成逼真图像、修复低质量图像、扩增数据集并进行风格迁移。本项目将介绍如何使用Python及其相关库实现GAN图像增强，包括模型的构建、训练和评估。通过项目案例学习，你可以掌握GAN在图像增强中的实际应用，提高图...
GAN--提升GAN训练的技巧汇总
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达前言GAN模型相比较于其他网络一直受困于三个问题的掣肘：1. 不收敛；模型训练不稳定，收敛的慢，甚至不收敛；2. ...
英特尔SVS：十亿级向量搜索的硬件优化与LVQ压缩实战
向量搜索作为处理高维嵌入数据的核心技术，其核心原理是通过近似最近邻（ANN）算法在海量数据中快速找到相似项，以解决传统暴力搜索在规模上的瓶颈。这项技术的核心价值在于为推荐系统、图像检索、自然语言处理等AI应用提供高效的相似性匹配能力，尤其在RAG架构中成为连接非结构化数据与大语言模型的关键基础设施。面对十亿级数据带来的内存与算力挑战，局部自适应向量量化（LVQ）等压缩技术通过减少存储开销并保持精度，而硬件层面的深度优化则利用AVX-512等指令集大幅提升计算效率。本文聚焦于英特尔开源的Scalable Ve
【STM32项目】老人健康跌倒检测系统实现（附教程PCB资料）
功能概述 跌倒检测 倾倒告警，人体角度倾斜至阈值触发蜂鸣报警 异常运动，加速度超过正常行动阈值时触发报警 心率监测 实时检测心率数据 血氧监测 实时检测采集血氧 血压测量 血压在线测量 红外体温 非接触体温采集方案 接触式体温采集方案 实时定位 中科微GPSGT-U12双频GPS北斗 GLONASS IRNSS定位系统 NEMA数据解析 可扩展高精度定位方案厘米级 屏幕显示 数据采集显示 告警阈值设置 语音提示 1欢迎使用老人智慧监测系统
【杂谈】有三AI季划成员的4大专属权益，你是否已经利用好了？
有三AI季划成员是我们的付费用户，拥有一些专属权限，为了方便大家能够了解清楚，本次我们一次性集中进行介绍，至于什么是季划用户，可以阅读下文以及收听直播介绍。【杂谈】2020年如何长期、系...
求一个点到任意两个点所在直线距离 C#代码公式
求点C(X0,Y0) 到点A（x1,y1）和点B（x2,y2）所在直线的距离 1.已知任意两个点，求这两个点所在直线 已知点A（x1,y1）,点B（x2,y2） 设直线上另外任意一个点为（x,y） 那么 （x-x1）/(y-y1) = (x2-x1)/(y2-y1); 整理后得方程： （y2-y1）x + (x1-x2)y + (y1-...
字节跳动再突破！SeedVR2视频增强模型开源：单步生成技术革新视频修复效率
在数字内容爆炸的时代，视频质量增强技术正成为提升用户体验的关键支撑。继SeedVR模型引发行业关注后，字节跳动近日再次开源新一代视频修复模型SeedVR2，通过创新的扩散对抗后训练技术与自适应窗口机制，将视频修复从多步迭代推向单步生成的新阶段。这款模型不仅将计算成本降低数倍，更在4K高分辨率视频处理中展现出卓越的细节恢复能力，为直播、影视后期、AIGC内容优化等场景提供了全新的技术范式。本文将深入
2026年全国青少年信息素养大赛复赛真题（算法应用主题赛C++初中组：带解析）（7月4日试卷一）【文末附答案和解析】
2026年全国青少年信息素养大赛复赛真题（算法应用主题赛C++初中组：带解析）（7月4日试卷一）【文末附答案和解析】
大疆A型板使用经验分享（二）——A型板原理图和引脚图
一.原理图 二.引脚图
视频大模型研发“每月一亿”投入能否保障技术领先？——多维战略评估与行业实证分析
🔍 行业洞察：阿里云视频检索系统采用“双通道缓存”设计——热数据存于NVMe SSD（延迟<100μs），冷数据自动迁移至对象存储，并通过大模型预测访问模式实现预加载，使95%查询响应<300ms。在AIGC爆发式演进的当下，视频大模型（Video Foundation Model）已成为全球AI竞争的核心制高点。：腾讯混元视频模型SkyReels V4采用“分层时空注意力+动态token剪枝”架构，在同等算力下推理速度提升3.2倍，该创新背后是其团队连续18个月聚焦视频理解子方向的专项投入。
【C语言】一文带你拿捏分支和循环语句（一万字详细讲解）
if/switch语句、while/fo/do...while循环语句、goto语句详解
文心5.0原生全模态：2.4万亿参数如何重构多模态理解范式
多模态大模型正从‘特征拼接’迈向‘统一表征’，其核心在于打破文本、图像、音频等模态的编码隔离，构建跨模态联合建模能力。原生全模态架构通过共享token空间、细粒度时空交织与共生训练机制，实现语义对齐从统计关联到因果推理的跃迁，显著提升视频理解、工业质检、教育生成等场景下的鲁棒性与泛化性。2.4万亿参数并非堆叠指标，而是支撑稀疏激活、动态路由与多粒度感知协同的‘神经突触密度’，使模型具备类似人类的跨模态直觉——如见闪电预判雷声、听水声补全浪形。文心5.0 Preview正是这一技术演进的关键落地验证。
视频压缩的工作原理
当你正在观看你最喜欢的节目，出现缓冲的时候，这是什么原因？当 Wi-Fi 带宽不足以下载传输视频流所需的数据时，就会发生缓冲。也有可能是视频网站发布了未压缩版本的视频文件，因此视频文件太大而无法流畅地流式传输。在高清模式下，图像分辨率为1080x1920像素，如果我们想象一个视频由许多这些图像组成，称为帧，那么 Wi-Fi 连接必须多快才能播放24帧/秒？答案是超1000兆，没错。由于每一帧都是48兆比特的数据，它实际上需要48×24每秒兆比特 （Mbps） 以观看视频24帧/秒。
华为OD机试真题 新系统 2026-09-06 Python&JS【仓储货物有序出库】
某仓储中心有一个货物堆放区，货物编号按乱序堆叠存放，只能从顶部取货，管理员需要将货物按编号从小到大取出。
GAN生成图像质量的两个评价指标——IS与FID
很久没有写原创博客了，最近在研究图像生成，看到关于生成器的评价指标有这么几个——IS（Inception Score）、FID（Fréchet Inception Distance）以及一些其它距离指标，下面主要参考三个博客，写写我的理解与感受吧。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
GAN网络生成的图片太亮、不够清晰的问题解决[torchvision.utils.save_image的range]
问题 最近在跑GAN网络，生成一些图片，但是生成的图片不尽如人意，质量不高，太亮，而且太模糊，但是能够保证的是轮廓和细节是很好的，说明改进是有作用的。 生成的图片是上面这样的，问题在于太亮，而且不够清晰。 解决方法 1、考虑你的gan网络的输入是否正确 2、考虑你保存图片的时候，设置是否正确 而我的问题就在于保存图片的时候，设置的参数不正确导致的，这个问题困惑了我很久，现在解决了，记录一下。 save_image(denorm(fake_images), os.path.join(self.sample_d
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
LSGANs ： Least Squares GAN（最小二乘GAN）--解决标准GAN生成的图片质量不高以及训练过程不稳定问题
LSGANs基本思想 LSGANs的英文全称是Least Squares GANs。这篇文章针对的是标准GAN生成的图片质量不高以及训练过程不稳定这两个缺陷进行改进。改进方法就是将GAN的目标函数由交叉熵损失换成最小二乘损失，而且这一个改变同时解决了两个缺陷。 为什么最小二乘损失可以提高生成图片质量？ 我们知道，GANs包含两个部分：判别器和生成器。判别器用于判断一张图片是来自真实数据还是生成器，要尽可能地给出准确判断；生成器用于生成图片，并且生成的图片要尽可能地混淆判别器。 本文作者认为以交叉熵作为
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
利用转置卷积与WGAN提升图像数据生成的质量
通过使用卷积与Wasserstein GAN提升生成图像的质量 本文将实现deep convolutional Gan（DCGAN），同时也将实现Wasserstein GAN（WGAN）。 本文使用到的一些技术： 转置卷积Transposed convolution 批量归一化Batch Normalization WGAN Gradient penalty from IPython.display import Image %matplotlib inline 转置卷积 虽然卷积运
低照度图像增强
核心处理：图像局部对比度增强 转载于:https://www.cnblogs.com/yemuzi/archive/2013/06/07/3123497.html
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
536
扫一扫
