pytorch中pixelshuffle的具体操作方式

最新推荐文章于 2025-10-22 14:00:19 发布
原创 最新推荐文章于 2025-10-22 14:00:19 发布 · 4.2k 阅读 · 4 ·
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。
文章标签：

#pytorch #pixelshuffle

本文详细解析了PyTorch中的PixelShuffle模块，这是一个用于调整数据顺序的进程，将输入张量从形状调整到。通过官方文档中的公式，解释了如何通过索引映射实现这一转换。举例说明了如何应用该公式，帮助理解PixelShuffle的实际操作。

官方文档中对于pixelshuffle的解释：https://pytorch.org/docs/0.3.1/_modules/torch/nn/modules/pixelshuffle.html

简单点说就是一个调整数据顺序的过程，即输入的张量大小为：B*(C*r^2)*W*H， 调整为：B*C*(W*r)*(H*r) 的过程，可是官方文档只说了这些，并没有解释怎样对应起来的。对应公式如下，

a_{Bijk}=b_{Bmnp}，

a为输入的tensor，Bijk 分别是batch， chanel ，width ，height维度的脚标， b为输出的tensor， Bmnp 也分别是对应的脚标，其中：

最低0.47元/天 解锁文章
PyTorch之PixelShuffle
Ton的博客
04-05 1万+
这里介绍一下PyTorch中torch.nn.PixelShuffle()这个层的背景介绍和相关用法。 参考文档： ①PyTorch中的PixelShuffle PixelShuffle层1 背景介绍2 用法简介2.1 实战代码2.2 效果展示 1 背景介绍 PixelShuffle层又名亚像素卷积层，是论文Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural .
[Pytorch] Pixel Shuffle
qq_42263831的博客
11-17 1351
Pixel Shuffle在Pytorch中的实现 Pixel shuffle的原理这里不着重探讨，详细原理请参考论文：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network。 这里先给出pytorch中pixel shuffle的代码。可以看到，代码的核心部分是permute操作，下面主要讨论pytorch如何通过该操作完成pixel shuffl
pytorch PixelShuffle和Upscale函数
happyday_d的博客
12-26 5071
pytorch PixelShuffle和Upscale函数 ​ 该函数设计思想来源于2016年的一篇SR文章,Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network 原理如下图: ​ 子像素卷积的实现原理:利用卷积得到图像r2r^2r2个...
PixelShuffle原理
最新发布
Caesar Zou 的博客
10-22 828
有些人会误以为 PixelShuffle 把多个通道合并成一个图像，从而“变成灰色”。常见的上采样方法（如双线性插值、转置卷积）容易导致模糊或棋盘格伪影。通道中的每一组 r² 个值，被映射成输出图中的一个 r×r 小块。PixelShuffle 不做卷积、不做插值，只做。将通道中的 r×r 子像素重新排列到空间坐标中。传统卷积输出的特征图往往是「空间小、通道多」。这些“额外的通道”中存放的就是未来要还原的。那卷积输出通道就是 3×4 = 12。如果目标输出是 3 通道（RGB），
PyTorch中的PixelShuffle（）
Viraha_的博客
03-26 931
PyTorch中的PixelShuffle（） 卷积操作会使得图像的尺寸变小 但是当我们的stride = 1/r<1时，可以让卷积后的图像的尺寸变大。 参考文章 该类定义如下： class torch.nn.PixleShuffle(upscale_factor) #upscale_factor指放大的倍数 输入输出的shape N代表batch size 参考代码： ps = nn.PixelShuffle(3)# 缩放到三倍，r == 3 input = torch.tensor(1
PyTorch学习之上采样层（VISION LAYERS）和PixelShuffle
mingo_敏
01-01 4804
1 PixelShuffle pixelshuffle算法的实现流程如下图，其实现的功能是：将一个H × W的低分辨率输入图像（Low Resolution），通过Sub-pixel操作将其变为rH x rW的高分辨率图像（High Resolution）。 通过卷积先得到r2r^2r2个通道的特征图（特征图大小和输入低分辨率图像一致），然后通过周期筛选（periodic shuffing）的方...
超分任务中的转置卷积、pixelshuffle 和插值上采样
U R MINE
12-26 2457
pixelshuffle 在超分任务中比较主流，不过我实测发现跟其他的上采样方式效果差别不大，内存和计算速度上也没啥差别。
上采样和PixelShuffle（转）
急流勇进
12-09 2570
上采样和PixelShuffle（转） 有些地方还没看懂， mark一下 文章来源： https://blog.youkuaiyun.com/g11d111/article/details/82855946 去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi ...
Unet结合PixelShuffle
02-19
#### 3.3 UNet 中集成 PixelShuffle 的方式 为了增强 UNet 解码阶段的效果，可以在每次上采样之前引入 PixelShuffle 层代替标准的转置卷积层。以下是 Python 和 PyTorch 下的一个简单实现： ```python import torch...
pixelshuffle 效应
02-05
### PixelShuffle 效应及其在图像超分辨率和神经网络中的应用 #### 基本概念 PixelShuffle 是一种用于上采样操作的技术，在图像超分辨率领域广泛应用。该技术能够有效地增加特征图的空间尺寸，同时减少通道数。具体...
PyTorch学习笔记(10)——上采样和PixelShuffle
热门推荐
g11d111的博客
09-27 12万+
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional...
PyTorch学习笔记 ——上采样和PixelShuffle
Hali_Botebie的博客
03-29 8713
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》的论文。 PyTorch 0.4.1将这些上采样的方式定义为Vision Laye
PixelShuffle原理笔记（paper，pytorch实现）
蓝羽飞鸟的博客
03-21 1万+
pixel shuffer是一种图像上采样的方法，参考paper 它在Pytorch中的实现为 torch.nn.PixelShuffer(r) 其中r为上采样倍率。 paper中提到，之前的上采样通过插值把低分辨率（LR）图像转换到高分辨率（HR），然后在HR特征空间处理，得到超分辨率（SR）图像。 paper提出了一种跳过插值转换HR的步骤，直接从LR特征空间转换为SR图像。 它基于的假设是，在很多SR技术中，高频数据是冗余的，因而可以直接由低频部分得到。 网络的前L-1层如下： W是conv2D，
【PyTorch单点知识】像素洗牌层：torch.nn.PixelShuffle在超分辨率中的作用说明
使者大牙ℂypher的博客
09-12 2758
torch.nn.PixelShuffle的使用说明
使用转置卷积和卷积分别实现 pytorch 中 nn.PixelShuffle 层的正运算和逆运算。
葉的博客
08-03 2970
pytorch 中 nn.PixelShuffle 层主要是将Tensor的通道数降低4倍的同时将其分辨率扩大2倍，但整个过程是不会改变Tensor中的数值的。简单理解就是，nn.PixelShuffle 层的输入和输出是相同的。nn.PixelShuffle 层的具体运算请参见pytorch官方介绍，我主要是使用转置卷积来实现与 nn.PixelShuffle 层相同的功能；并可以使用卷积层实现其相反的功能，也就是它的逆运算。 详细代码如下： 一、使用转置卷积层实现nn.PixelShuffle 层的功能
PixelShuffle详解和cuda实现
BigerBang的博客
09-12 5480
1.背景 1.1 PixelShuffle的出处 PixelShuffle这一操作出自论文[https://arxiv.org/abs/1609.05158](Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network), 论文中称为periodic shuffling operator。Pytorch将其实现为 torch.nn.PixleShuffl
pixelshufflle实现超分辨率重建
weixin_42432844的博客
06-28 641
pixelshuffle定义： 算法思路：图像转张量（NxCxWxH）–增加C的维度–调用pixelshuffle 博主最近在做图像超分辨率重建，复现了SRCNN,RDN一些卷积之后concat再进行上采样的算法，今天做了一下简单的pixelshuffle。 import torch from torch import nn import cv2 import numpy as np from torchvision import transforms img1 = cv2.imread('./107.p
PixelShuffle上采样原理讲解及程序实现
qq_44949041的博客
01-09 1万+
PixelShuffle(Sub-Pixel Convolutional Neural Network，像素重组）是一种经典的上采样Upsample方法, torch.nn.PixelShuffle()，可以对缩小后的特征图进行有效的放大操作在，最初在处理图像超分辨率的问题上提出，是目前最优秀的上采样方法。变化公式为：[H,W,C*r*r]->[H*r,W*r,C]
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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