wdsr 论文阅读笔记

最新推荐文章于 2024-05-06 10:47:00 发布
最新推荐文章于 2024-05-06 10:47:00 发布
阅读量405 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： # 图像超分辨重建 文章标签： python 神经网络 pytorch
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/qq_40107571/article/details/125832589
该论文探讨了在激活函数之前增加特征图数量如何提高图像超分辨率模型的效率和准确性。通过引入线性低秩卷积和权重正则化，作者在不显著增加计算量的情况下提升了网络性能，挑战了传统深度网络的使用。实验表明，这种宽激活方法优于复杂的跳跃连接和级联操作。

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

Wide activation for efficient and accurate image super-resolution

JiahuiYu/wdsr_ntire2018: Code of our winning entry to NTIRE super-resolution challenge, CVPR 2018 (github.com)

摘要：这篇论文作者证明了同样的参数和计算量，在激活函数之前有更多的特征图模型的性能就越好。最终的网络结构在每个残差模块的激活函数之前有更宽的通道。为了在没有高额计算量下更进一步加宽激活，作者引入了线性低秩卷积到网络结构中，结果得到了比较好的效率。此外，对比了BN和没有BN，作者发现权重正则化训练可以获得更好的结果。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）
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】
04-01 6208
在本文中，我们证明了在相同的参数和计算预算下，ReLU激活前具有更广泛特征的模型对于单图像超分辨率 (SISR) 具有显着更好的性能。生成的 SR 残差网络在每个残差块的激活之前具有更宽的 (2× 到 4 倍) 通道的小恒等映射路径。为了在不增加计算开销的情况下进一步扩大激活(6×到9×)，我们在SR网络中引入线性低秩卷积，实现了更好的精度-效率权衡。此外，与批量归一化或没有归一化相比，我们发现使用权重归一化进行训练可以提高深度超分辨率网络的准确性。我们提出的SR网络WDSR在计算复杂度相同或更低的PSNR
WDSR-Wide Activation for Efficient and Accurate Image Super-Resolution 论文代码
12-25
WDSR,Wide Activation for Efficient and Accurate Image Super-Resolution论文代码，pytorch实现，欢迎各位下载！
WDSR论文阅读笔记
read, note and comment papers
07-22 955
在ReLU前有更宽的channel有助于提高acc，在相同数量的参数下，使需要做res-identity传播的层的channel数量减少而增多ReLU层前的channel的数量。 要Weight-Normalization而不是batch-normalization，能提供更好的acc和更快的收敛，batch normalization 在SR中被抛弃了 linear-low-rank c...
WDSR:Wide Activation for Efficient and Accurate Image Super-Resolution
清风吹斜阳
03-29 1886
Wide Activation for Efficient and Accurate Image Super-Resolution Jiahui Yu,Yuchen Fan,Jianchao Yang,Ning Xu,Zhaowen Wang,Xinchao Wang,Thomas Huang 本文是NTRIE2018年超分辨率比赛的冠军。 主要贡献 论文提出在激活函数前with expa...
「Wdsr-1」人间之里
青烟绕指柔的博客
04-07 273
题目链接：「Wdsr-1」人间之里 显然我们选择的位置就是区间重心。 然后怎么快速找重心呢？二分+线段树？显然复杂度太高两个log。 我们可以先求出区间 s1=[-up,l-1]和s2=[l,r]的个数。 那么重心就为：kth(s1+(s2+1)/2)。 然后根据重心直接算就行了。 AC代码： #pragma GCC optimize("-Ofast","-funroll-all-loops"...
超分辨率：WDSR
qq_41332469的博客
06-25 2453
WDSR为2018年超分冠军模型，模型与EDSR相比，主要有以下几点改进： （1）改变模型基本框架 （2）增加channel个数 （3）WN（权重归一化） 权值归一化是神经网络中权值向量的重新参数化，实际就是重新定义权值w的大小和方向。 由下图可以看出，新的w的大小等于g，方向与v一致。 引入WN可以提高训练的学习效率(即10×)，提高训练和测试的准确性。 详细介绍参见：https://blo...
EDSR/WDSR/SRGAN单张图片超分辨率Tensorflow 2.0参考实现-python
06-18
某些部分仍在进行中，但您已经可以通过高级训练 API 训练论文中所述的模型。 此外，您还可以在 SRGAN 上下文中微调 EDSR 和 WDSR 模型。 笔记本中给出了训练和使用示例 example-edsr.ipynb example-wdsr.ipynb ...
【论文笔记】Regional Differential Information Entropy for Super-Resolution ImageQuality Assessment
weixin_51547366的博客
11-24 690
摘要PSNR和SSIM是超分辨率问题中使用最广泛的度量，因为它们易于使用，可以评估生成的图像和参考图像之间的相似性。然而，单幅图像的超分辨率是一个不适定问题，同一幅低分辨率图像有多幅对应的高分辨率图像。相似之处不能完全反映修复效果。生成的图像的感知质量也很重要，但PSNR和SSIM不能很好地反映每个概念的质量。为了解决这个问题，我们提出了一种称为区域差分信息熵的方法来测量相似度和感知质量。为了克服传统的图像信息熵不能反映结构信息的问题，我们提出了用滑动窗口测量每个区域的信息熵。考虑到人类视觉系统对低亮度下的
【今日CV 计算机视觉论文速览 第101期】Wed, 17 Apr 2019
TomRen
04-18 2148
第101期 视觉论文速览 图像修复 超分辨 去噪 单点目标检测
WDSR(NTIRE2018超分辨率冠军)【深度解析】
热门推荐
木盏
12-17 2万+
s超分辨率(super-resolution)的通俗解释就是：将低分辨率的图像通过算法转换成高分辨率图像。听起来似乎很神奇，这样是不是可以把低清电影转换成高清了？就现在来看，基于深度学习的超分辨率(简称SR)已经达到了amazing的效果。 当然，以木盏的习惯就是，只在博文中讨论干货。 这篇博文要解析的算法叫做WDSR，来自UIUC的华人学生JiaHui Yu的论文。在SR界有一个比赛，叫做N...
win32超分辩重建WDSR实用程序
04-29
超分辨率重建WDSR(2倍)的win32程序，使用tf_estimator_barebone-master 中的模型wdsr_saved_model.pb
WDSR-GAN:基于GAN的WDSR
04-18
基于GAN的WDSR实现超高分辨率 用法 依存关系 conda install pytorch torchvision -c pytorch conda install tensorboard h5py scikit-image 评估 已实施但尚未测试 数据集 下载和整理数据，例如： WDSR-GAN/data/DIV2K/ ├── DIV2K_train_HR ├── DIV2K_train_LR_bicubic │ └── X2 │ └── X3 │ └── X4 ├── DIV2K_valid_HR └── DIV2K_valid_LR_bicubic └── X2 └── X3 └── X4 WDSR-GAN/data/Set5/ * .png WDSR-GAN/data/BSDS100/ * .png WDSR-GAN/data/Urban
ShuffleSR：比WDSR更轻，更好的图像超分辨率算法
02-16
随机播放 比更轻，更好的图像超分辨率算法 表现 关于数据集的训练和验证结果 DIV2K轻度X4 姓名 信噪比 三星 人字拖 参数 检查站 双三次 17.6147 0.4268 -- -- -- 随机播放 18.7887 0.4857 126.5百万 56.5千 ShuffleSR_Mild_X4.pth 随机播放 18.8280 0.5078 128.2百万 158.9千 随机播放SR_SE_Mild_X4.pth 随机播放 18.7890 0.5094 165.0M 152.2千 随机播放SR_SK_Mild_X4.pth WDSR 18.7757 0.4975 381.5百万 167.7千 WDSR_Mild_X4.pth DIV2K未知X4 姓名 信噪比 三星 人字拖 参数 检查站 双三次 21.7511 0.5561 -- -- -
WDSR实验记录
Doreenqiuyue的博客
08-26 785
WDSR是在EDSR代码的基础上实现的，代码链接在这里 阅读目录一、准备过程1.1 代码修改1.2 操作准备二、训练2.1 训练命令2.2 训练结果2.3 loss曲线2.4 PSNR曲线三、测试3.1 测试命令3.2 测试结果3.3 效果图展示 一、准备过程 1.1 代码修改 参考这里 1.2 操作准备 参考 二、训练 2.1 训练命令 !python main.py --model wdsr_b --epochs 50 --scale 2 --save wdsr_b_x2 --n_resblocks 3
基于深度学习框架的超分辨率问题三之WDSR
hh_2018的博客
12-24 4035
WDSR是18年比较新的模型，现在又对应的官方pytorch版本，其链接为：https://github.com/JiahuiYu/wdsr_ntire2018 WDSR（2018年冠军模型） 模型架构 主要由于目前使用的结构要么是丢失掉了浅层的信息，比如上述提到的网络，通过各种激活函数，当浅层信息传递到最后时已经丢失了；要么就是采用跳跃链接的方式比如SRDenseNet，此时虽然浅层信息通...
深度学习之超分辨率重建技术（Super-Resolution）总结：从 SRCNN 到 WDSR
种树最好的时间是10年前，其次是现在！！！
05-31 1万+
专栏【超分辨率】 目录1、前言2、网络详解2.1、SRCNN :)2.2、VDSR :)2.3、DRCN :)2.4、ESPCN :)2.5、SRGAN :)2.6、EDSR :)2.7、DBPN :)2.8、WDSR :)3、参考论文4、未来计划 1、前言 超分辨率重建技术（Super-Resolution）是指从观测到的低质量、低分辨率图像重建出相应的高质量、高分辨率图像。 Super-Res...
【图像超分】论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的平均PSNR和SSIM！
最新发布
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】
05-06 2475
论文题目：Wide Activation for Efficient and Accurate Image Super-Resolution —— 高效、准确的图像超分辨率的广泛激活【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）请配合上述论文精读文章使用，效果更佳！
推荐开源项目：WDSR - NTIRE 2018 超分辨率算法
gitblog_00024的博客
04-15 383
推荐开源项目：WDSR - NTIRE 2018 超分辨率算法 该项目是Jiahui Yu开发的一个深度学习超分辨率模型——Weighted DNN for Single Image Super-Resolution (WDSR)。它在NTIRE 2018图像超分辨率挑战赛中获得了出色的表现，并且是一个易于理解和使用的开源实现。 项目简介 WDSR借鉴了深度卷积神经网络（CNN）的概念，通过学习低...
图像超分辨率之SRResNet与EDSR、WDSR
qq_41950533的博客
12-13 2936
1.个人的设想 def forward(self,x): """残差模块""" resudial = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(x) out = self.bn2(out) out = self.relu
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

打赏作者

一壶浊酒..

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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