ECCV2018超分辨率RCAN：Image Super-Resolution Using Very Deep Residual Channel Attention Networks

最新推荐文章于 2022-10-20 16:37:15 发布
最新推荐文章于 2022-10-20 16:37:15 发布
阅读量3.3k 收藏 26
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Super resolution超分辨率重建 文章标签： RCAN
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_41332469/article/details/91891975

总的来说，这篇论文的主要做了两件事，第一，设计RIR，加深网络；第二，引入通道注意力机制（CA），说白了就是给通道加一个权重，表明不同通道提取出来的不同特征的重要性不同，这个权重是学习出来的，后文有详细介绍。

提出问题

（1）更深层次的图像SR网络更难训练，仅仅通过叠加剩余块来构建更深层次的网络很难得到更好的改善。
（2）低分辨率的输入和特征包含丰富的低频信息，而目前主流的基于cnn的方法对每个信道特征都一视同仁，缺乏跨特征信道的识别学习能力，阻碍了深度网络的表征能力。

解决方法

（1）文章提出了一种残差信道注意网络(RCAN)来获得非常深的可训练网络，同时自适应地学习更多有用的信道特征。
（2）为了简化超深网络(如400层以上)的训练，提出了残差(residual in residual, RIR)结构，其中残差组(residual group, RG)作为基本模块，长跳连接(long skip connection, LSC)允许粗级别的残差学习。在每个RG模块中，使用短跳连接(SSC)将几个简化的剩余块堆叠起来。长跳连接和短跳连接以及残差块的近路允许大量低频信息通过这些基于身份的跳连接，从而简化了信息的流动。
（3）提出了通道注意(CA)机制，通过对特征通道之间的相互依赖关系进行建模，自适应地调整每个通道的特征。这样的CA机制使我们所提出的网络能够专注于更有用的通道，提高识别学习能力。

网络架构

在这里插入图片描述RCAN主要由四个部分组成：

  • 浅层特征提取
  • 残差(RIR)深度特征提取
  • 放大模块
  • 重构部分
Channel Attention (CA)
最低0.47元/天 解锁文章

200万优质内容无限畅学
【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
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】
03-25 2万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
【图像超分】论文精读：Image Super-Resolution Using Very Deep Residual Channel Attention Networks（RCAN）
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】
04-17 2132
卷积神经网络 (CNN) 深度对于图像超分辨率 (SR) 至关重要。然而，我们观察到更深层次的图像 SR 网络更难训练。低分辨率输入和特征包含丰富的低频信息，在通道之间平等对待，从而阻碍了cnn的表示能力。为了解决这些问题，我们提出了非常深的残差通道注意网络（RCAN）。具体来说，我们提出了一种残差 (RIR) 结构中的残差来形成非常深的网络，该网络由几个具有长跳跃连接的残差组组成。每个残差组都包含一些具有短跳跃连接的残差块。同时，RIR 允许通过多个跳跃连接绕过丰富的低频信息，使网络专注于学习高频信息。
超分论文阅读（Image Super-Resolution Using Very Deep Residual Channel Attention Networks）
争取每天记录一点点~
10-10 522
Image Super-Resolution Using Very Deep Residual Channel Attention Networks
《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》阅读笔记
69小石头的博客
05-17 705
一、论文 《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》 卷积神经网络（CNN）的深度对于图像超分辨率（SR）至关重要。 但是，我们观察到更深层次的图像SR网络更难训练。 低分辨率输入和特征包含丰富的低频信息，这些信息在各个通道之间均被平等对待，因此阻碍了CNN的表示能力。 为了解决这些问题，我们提出了非常深的残留频道关注网络（RCAN）。 具体来说，我们提出了残差残差（RIR）结构以形成非常深的网
超分算法RCAN：Image Super-Resolution Using Very Deep Residual Channel Attention Networks图像超分辨率重建
qq_45122568的博客
04-23 8867
这篇文章的网络结构和写作手法和RDN都非常相似，然后一看作者就是同一批 😐 。这篇文章是EDSR的一个加强版，也是RDN的姊妹版
【超分辨率】（RCAN）Image Super-Resolution Using Very Deep Residual Channel Attention Networks
abxl987的博客
10-20 2100
RCAN网络的全文阅读，欢迎各位指出我在学习过程中的错误理解。本文中作者提出了一种RIR结构来构造更深的可训练网络，所提出的RCAN网络超过400多层。同时，作者将通道注意力机制融入到残差模块中，使得RCAN网络能够关注更加有用的信息。
RCAN论文笔记：Image Super-Resolution Using Very Deep Residual Channel Attention Networks
热门推荐
ytao_wang的博客
04-18 1万+
Image Super-Resolution Using Very Deep Residual Channel Attention Networks (ECCV2018)
RCAN-Image Super-Resolution Using Very Deep Residual Channel Attention Networks
不要回答的博客
05-11 230
题目：Image Super-Resolution Using Very Deep Residual Channel Attention Networks 转载博客：基于深度残差通道注意网络的图像超分辨率
Image Super-Resolution Using Very Deep Residual Channel Attention Networks
nuonuo_orz的博客
07-28 2545
一，贡献 贡献有三点 提出了一个非常深的residual channel attention networks (RCAN)，用于超分辨率问题 提出了residual in residual (RIR)结构，用来构建非常深的能有效训练的网络，long skip 和short skip连接 使用channel attention(CA)，来rescale feature 二，方法 1，网络架构 ...
ECCV2018 超分辨相关.7z
05-11
亲历了ECCV 2018的机器学习研究员Tetianka Martyniuk挑选了6篇ECCV 2018接收论文，概述了超分辨率（Super-Resolution, SR）技术的未来发展趋势。内容包括：一：学习图像超分辨率，先学习图像退化；二：由面部五官热力图指导的面部超分辨率；三：用深度残差通道的注意网络的图像超分辨率；四：用于图像超分辨率的多尺度残差网络；五：级联残差加持的快速、准确、轻量级的超分辨率网络；六：SRFeat：具有特征识别的单个图像超分辨率
RCAN:我们的ECCV 2018论文“使用超深残留通道注意网络的图像超分辨率”的PyTorch代码
05-03
使用非常深的残留通道注意网络的图像超分辨率 该存储库适用于以下论文中介绍的RCAN ，，，， ，和“图像超分辨率使用超深残留通道注意网络”，ECCV 2018， 该代码基于构建，并在带有Titan X / 1080Ti / Xp GPU的Ubuntu 14.04 / 16.04环境（Python3.6，PyTorch_0.4.0，CUDA8.0，cuDNN5.1）上进行了测试。 RCAN模型也已合并到。 可在GoogleDrive上获得再现纸张中PSNR / SSIM值的视觉结果。 对于BI降级模型，标度= ： 内容 结果 引文 致谢 介绍 卷积神经网络（CNN）的深度对于图像超分辨率（SR）至关重要。 但是，我们发现，用于图像SR的更深层网络更难训练。 低分辨率输入和功能包含丰富的低频信息，这些信息在各个通道之间均被平等对待，因此阻碍了CNN的表示能力。 为了解决这些问题，
RCAN-pytorch.rar_RCAN_RCAN 代码_RCAN模型_pytorch_super-reso
09-24
本rar文件是图像超分辨率重构的网络模型RCAN的代码，可以成功运行
图像超分：RCAN（Image Super-Resolution Using Very Deep Residual Channel Attention Networks）
WangsyHebut的博客
01-28 2190
代码：https://github.com/yulunzhang/RCAN 论文：https://arxiv.org/abs/1807.02758 文章检索出自：2018 ECCVCNN的深度是图像SR的关键。然而，往往图像SR更深的网络更加难以训练。低分辨率的输入和特征包含了丰富的低频信息，这些信息在不同的通道中被平等地对待，从而影响了重建效果。为了解决这个问题，本文提出了深度残差通道注意网络（RCAN）。具体地说，本文提出了一种残差中的残差（RIR）结构，它由多个具有很长的跳跃连接的残差组组成。每个残差
图像超分辨之RCAN:Image Super-Resolution Using Very Deep Residual Channel Attention Networks
qq_41950533的博客
12-31 2573
ECCV2018 论文：http://arxiv.org/pdf/1807.02758.pdf 1.摘要 有两个创新点： 1.Residual in residual结构，可以构造更深的的网络结构。因为我暂时不想在上采样的时候设计过深的网络，所以浅浅介绍。之前好像看过一篇论文叫ResNet In ResNet，也是重构残差模块来构造更深层网络。 2.Channel Attention 提出了一个信道注意机制来自适应调整信道特征通过考虑信道间的相互依赖性 最后作者把Residual in residual和
ECCV2018超分辨率CARN：Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network
qq_41332469的博客
06-16 1万+
本文提出一种轻量级级联残差网络，速度快，性能也还不错。 提出问题 尽管深度学习方法提高了SR图像的质量，但速度慢，并不适用于真实场景。从这个角度来看，设计适合实际应用的轻量级深度学习模型非常重要。 一种方法是减少参数的数量，实现这一目标的方法有很多，但最简单和有效的方法是使用递归网络。例如，DRCN使用递归网络来减少冗余参数，而DRRN通过向DRCN添加残差体系结构来改进DRCN。与标准CNN相比...
RCAN（ECCV2018）Residual Channel Attention Networks
weixin_49497024的博客
09-30 1629
图像超分辨率使用非常深的残差信道注意网络 论文地址：https://openaccess.thecvf.com/content_ECCV_2018/papers/Yulun_Zhang_Image_Super-Resolution_Using_ECCV_2018_paper.pdf 代码地址：https://github.com/yulunzhang/RCAN 因为LR中不同通道信息被均等对待，所以在CNN中发展不是很好。所以作者提出了这个想法，RCAN.。 RCAN中，的主结构就是RIR。 RIR包括若干
ECCV2020超分辨率文章Single Image Super-Resolution via a Holistic Attention Network——讲解
weixin_43911972的博客
07-09 2005
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
RCAN——Image Super-Resolution Using Very Deep Residual Channel Attention Networks
weixin_30916125的博客
05-12 696
1. 摘要 在图像超分辨领域，卷积神经网络的深度非常重要，但过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。 为了解决上述问题，作者提出了一个深度残差通道注意力网络（RCAN）。特别地，作者设计了一个残差中的残差（RIR）结构来构造深层网络，每个 RIR 结构由数个残差组（RG）以及长跳跃连接（LSC）组成，每个 RG 则包含...
PyTorch实现的ECCV 2018图像超分辨率RCAN论文代码
4. RCAN模型: RCAN是残差通道注意网络（Residual Channel Attention Network）的简称，是一种专门为图像超分辨率设计的深度学习模型。RCAN通过引入通道注意机制，能够更好地提取图像特征，提高图像超分辨率的效果。 ...
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