[论文笔记]Meta-SR: A Magnification-Arbitrary Network for Super-Resolution（CVPR2019）

最新推荐文章于 2022-03-11 17:14:56 发布
最新推荐文章于 2022-03-11 17:14:56 发布
阅读量1k 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习 图像生成/复原 论文笔记
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。
本文链接：https://blog.youkuaiyun.com/muyiyushan/article/details/88951028
本文介绍了一种名为Meta-SR的新方法，该方法由旷视研究院提出，能够通过单一模型解决超分辨率的任意缩放因子问题，包括非整数因子。Meta-SR引入了Meta-UpscaleModule模块，它使用动态采样的方式，根据不同的分辨率生成特定的采样参数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在本文中，旷视研究院提出一种全新方法，称之为 Meta-SR，首次通过单一模型解决了超分辨率的任意缩放因子问题（包括非整数因子）。Meta-SR 包含一种新的模块——Meta-Upscale Module，以代替传统的放大模块（upscale module）。
在这里插入图片描述
Meta-SR利用采样核动态上采样，由于SR尺度不一，所以针对不同的分辨率需要特定的采样参数，这些采样参数又Meta upscale module生成，输入包括采样位置偏差R,和采样尺度1/r，而与当前图像无关。

Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 环境搭建 【CVPR2019】| ❤️有效教程❤️
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
10-11 649
本博文仅对该 Meta-SR-Pytorch 代码，测试部分进行验证，记录相关问题排错 文章目录????基础信息???? 环境搭建???? 预训练模型进行测试???? 注意事项???? CPU 推理测试???? 生成效果如下???? 可能遇到的重点报错???? `ModuleNotFoundError: No module named 'skimage'`???? `ModuleNotFoundError: No module named 'torch'`???? `RuntimeError: CUDNN
2019基于深度学习的图像超分辨率文献综述：Deep Learning for Image Super-resolution: A Survey
热门推荐
weixin_43840215的博客
04-25 1万+
2019年新鲜出炉的基于深度学习的图像超分辨率文献，作者归纳总结了现有的使用深度学习方法解决图像超分辨率问题的研究工作，作者把现有的研究工作主要分成三个部分：supervised SR, unsupervised SR, domain-specific SR，并对未来的研究工作做出了展望。 论文地址：https://arxiv.org/abs/1902.06068 综述的具体论述和章节安排如下： ...
Meta-SR:A Magnification-Arbitrary Network for Super-Resolution
sinat_36462614的博客
06-19 826
任意尺度的超分已经被忽视好久了。大多数研究者把不同尺度超分当成一个独立的任务。而且这些尺度都是整数阶的。因此，本文提出Meta-SR来解决上述问题。提出Meta-Upscale Module来代替传统的Upscale module。Meta-Upscale Module 能动态的预测upscale filters 的权重，通过将scale factor作为输入和用这些权重去生成任意尺度的HR图像。对于任何低分辨率图像，能够通过一个模型产生连续不断的放大的图像。
Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
qq_43420530的博客
03-11 1200
1. 相关背景 本文发表于2019年，一般来说，SISR（single image super resolution，单张图片超分辨率）的工作都是分为两部分，首先将H∗W∗3H*W*3H∗W∗3的图片经过特征提取模块（比如2017年ESDR的残差网络，2018年RDN的稠密残差网络），得到相同尺寸的H∗W∗CH*W*CH∗W∗C的特征图；然后再经过上采样模块（x2或x3或x4的缩放因子）得到超分辨率图像，比如要是上采样模块用了x4，那么最终分辨率就为4H∗4W∗34H*4W*34H∗4W∗3，这种方法的缺点
Meta-SR论文阅读: A Magnification-Arbitrary Network for Super-Resolution
GracePro的博客
09-29 977
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...
超分辨率——Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
qq_29257201的博客
08-03 708
2019 CVPR University of Science and Technology of China 这篇文章，作者针对 以往的文章，都是针对于不同的scale factor，需要训练出一个不同的模型，因此作者提出Meta-SR，这种方法，是不同的scale factor只需要训练出一个模型。这篇优秀的文章，需要把论文小标题理一下： Abstract Introductio...
CVPR2019：Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 任意尺度的图像超分辨率
AsajuHuishi的博客
08-05 1744
论文：Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 任意尺度的超分辨率 代码：https://github.com/XuecaiHu/Meta-SR-Pytorch.git 简介 随着深度卷积神经网络(DCNNs)的发展，近年来对超分辨率的研究取得了巨大的成功。然而，任意尺度因子的超分辨率长期以来一直被忽视。以往的研究大多将不同尺度因子的超分辨视为独立的任务。他们针对每个尺度因子训练一个特定的模型，计算效率较低，且只考虑了几个
论文笔记Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
m0_38129460的博客
03-18 5604
目录 一、创新点 二、模型结构 1.Feature Learning Module 2.Meta Upscale Module 1）位置投影Location Projection 2）权重预测Weight Prediction 3）特征映射Feature Mapping 三、实验细节 四、结果 1.不同采样因子Meta-RDN与RDN、EDSR结果对比 2.运行速度对比 3...
Meta-SR-Pytorch:元SR
05-31
Meta-SR 的官方实现：A Magnification-Arbitrary Network for Super-Resolution(CVPR2019)(PyTorch) 我们的代码建立在。 注意力 master 分支有可怕的bug！！！ 我们会尽快检查代码（2020-12-31） 我发现相机准备...
论文 Meta-SR: A Magnification-Arbitrary Network for Super-Resolution阅读笔记
嘤嘤怪赚钱养妈妈
02-25 959
Meta-SR: A Magnifification-Arbitrary Network for Super-Resolution 是CVPR2019的论文，由中科院、CASIA、旷视、清华等联合发布表。 论文地址：http://arxiv.org/abs/1903.00875v1 pytorch代码地址：https://github.com/XuecaiHu/Meta-SR-Pytorch 一 ...
Meta-SR: A Magnification-Arbitrary Network for Super-Resolution论文解析
weixin_39434589的博客
03-12 4214
https://blog.youkuaiyun.com/m0_37615398/article/details/88382556 这篇作者的解析就很不错，本文只在他的解析的基础上，对于本文认为的其他的重点加以补充。 因为该篇文章，主要解决 arbitrary scale factor 情况下的 super-resolution. 这样就能使得SISR实际中更多的应用。现在只给出该篇论文中比较重要的模型结构...
meta-SR
Evabook的博客
04-29 3471
Meta-SR论文摘要 论文摘要 2019年CVPR的新文章，主要解决了
Meta-SR：A Magnification-Arbitrary Network for Super-Resolution 论文阅读笔记
BieberChen的博客
07-26 692
Meta-SR：A Magnification-Arbitrary Network for Super-Resolution 论文阅读笔记 论文链接 本文主要的创新点： 提出了Meta-Upscale module,首次通过dynamically predict weights,实现了单一模型对输入图片进行任意尺度的上采样 Feature Learning Module feature le...
Meta-SR: A Magnification-Arbitrary Network for Super-Resolution论文阅读笔记
yy2050645的博客
03-04 802
1.论文要解决的问题 单一图像超分辨率旨在通过使用一副高分辨率图像降级后的低分辨率图像来重构这副高分辨率图像，即通过对一副低分辨率图像放大得到一副高分辨率图像，然而在现实生活中放大倍率或放大尺度不应当只是一个固定的正整数，任意尺度的放大有着极其重要的现实使用价值。例如，可以通过滑动鼠标滚轮来任意放大图像。然而，限于内存消耗等原因，我们不可能对于每一个尺度都训练一个模型并存储。因此，使用一个单一模...
【图像超分辨率】Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
qq_41807261的博客
05-19 2421
导语 随着深度卷积神经网络（DCNNs）技术的推进，超分辨率（super resolution/SR）的新近研究取得重大突破，但是关于任意缩放因子（arbitrary scalefactor）的研究一直未回到超分辨率社群的视野之中。 先前绝大多数 SOTA 方法把不同的超分辨率缩放因子看作独立的任务：即针对每个缩放因子分别训练一个模型（计算效率低），并且只考虑了若干个整数缩放因子。 在本文中，旷视研究院提出一种全新方法，称之为 Meta-SR，首次通过单一模型解决了超分辨率的任意缩放因子问题（包括非整数因子
Meta-SR: A Magnification-Arbitrary Network for Super-Resolution阅读笔记
weixin_43840215的博客
06-24 933
文章发表于CVPR 2019 论文下载链接：http://arxiv.org/abs/1903.00875 论文源代码部分，作者目前还没有公开。 目前的SISR网络大多解决的问题针对单一放大尺寸问题，这样在实际应用中，SR具有一定的局限性。作者受到meta-learning启发，本文提出了Mera-SR，可解决任意放大尺寸的图像超分辨率问题，这样使得SISR可以具有更多的实际应用。 论文的整体思路...
meta-sr: a magnification-arbitrary network for super-resolution
03-16
Meta-SR是一种用于超分辨率的放大任意网络，它可以通过学习多个不同的放大因子来提高图像的分辨率。该网络使用元学习来自适应地选择最佳的放大因子，从而在不同的图像上获得更好的性能。Meta-SR是一种创新的超分辨率...
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