- 博客(112)
- 收藏
- 关注
RSS订阅原创 立体图像超分辨-MFFSSR-Multi-Level Feature Fusion Network for Lightweight Stereo Image Super-Resolution
整个网络以 Multi-Level Feature Fusion Block (MFF Block) 为核心单元，重复堆叠即可扩展网络深度与能力。MFF Block 内部统一整合了：视图内特征提取：Hybrid Attention Feature Extraction Block (HAFEB)视图间交互：Cross-View Interaction Module (CVIM)利用共享权重的双分支结构，同时恢复左右视图，提高训练与推理效率。
2025-11-16 14:25:27
842
原创 NTIRE2025挑战赛-超分模块框架-The Tenth NTIRE 2025 Efficient Super-Resolution Challenge Report
单图像超分辨率（SR）旨在从低分辨率图像重建高分辨率结果，是卫星遥感、医学成像和安防监控等领域的重要技术。传统基准通常采用双三次降采样以确保不同方法的可比性，但当前高性能 SR 模型往往面临参数量大、计算开销高、延迟高的问题，难以在移动和边缘设备上实时运行。因此，大量研究采用剪枝、低秩分解、量化、NAS、状态空间建模和知识蒸馏等技术提升模型效率，以在性能与资源消耗之间取得平衡。为推动高效 SR 的发展，NTIRE 2025 组织了 ×4 高效超分辨率挑战
2025-11-16 13:51:22
1211
原创 (ALL-IN-ONE)图像修复-NeurIPS2023-PromptIR Prompting for All-in-One Blind Image Restoration
PromptIR 提出了一种基于 prompt 学习（提示学习）的全能型图像恢复框架，能够在无需预先知道退化类型的情况下，对多种退化图像进行统一恢复。其核心思想是通过轻量级的 prompt 参数，动态引导主干网络在不同退化条件下自适应调整恢复策略。相比以往方法（如 AirNet）需要额外的对比编码器和两阶段训练，PromptIR 在结构与训练方式上更加高效和通用。
2025-10-10 09:20:48
754
原创 SpringMVC执行流程-超详细图解
springmvc是在spring的基础上，增加了一个springmvc的容器，并且将这个两个容器运行在tomcat中，springmvc用来处理客户端发来的请求，主要的处理依靠的是springmvc中九大内置组件，在doDispatch()中完成请求的处理，视图处理，最终前端页面渲染。
2025-10-10 09:14:50
1125
原创 (All-In-One)图像修复-CVPR2022-AirNet-All-In-One Image Restoration for Unknown Corruption
AirNet 是一种面向多种图像退化的统一恢复模型，通过 对比学习驱动的退化编码器（CBDE） 与 退化引导的恢复网络（DGRN） 的协同设计，实现对噪声、雨、雾等多种退化类型的全能处理。与传统方法不同，AirNet 无需依赖退化类型或强度的先验信息，即可在未知退化条件下直接恢复图像，更贴合真实场景的复杂性。其单一网络结构（single-pass network）不仅简化了模型设计，降低了计算开销，还提升了处理效率和泛化能力，使模型在多任务、多退化条件下都能保持高性能。这种高效、灵活的设计使 AirNet
2025-10-09 14:20:17
983
原创 SpringMVC启动流程
SpringMVC 的启动流程主要包括启动前的配置和具体执行流程。启动前，需要准备好 web.xml 或 Spring Boot 的配置类，以及 Spring 和 SpringMVC 的相关配置文件。启动流程大致如下：首先启动 Tomcat 容器，加载 Web 应用环境；接着创建 Spring 容器，完成 Bean 的初始化和依赖注入；最后创建 SpringMVC 容器，初始化 DispatcherServlet、HandlerMapping、HandlerAdapter 等组件，使框架可以处理请求。整个流
2025-10-09 14:14:54
759
原创 Zotero白嫖腾讯云翻译
Zotero 配合腾讯云可以实现无限制字数的高效翻译，非常适合科研人员和学生使用。操作流程大致包括：首先在 Zotero 中安装相关翻译插件，然后登录腾讯云控制台，在访问管理中创建一个具有机器翻译权限的子用户。接着启用腾讯云的机器翻译功能，并复制生成的 API 密钥信息。最后，将密钥配置到 Zotero 插件中，即可调用腾讯云的翻译服务。这样一来，用户不仅能突破单次翻译字数限制，还能享受快速稳定的翻译体验。整个过程简单高效，几步操作即可完成，大大提升了文献阅读和学术研究的效率。
2025-09-03 12:41:07
1050
1
原创 Spring源码详解之AOP
Spring AOP（面向切面编程）是Spring框架的重要模块，它通过动态代理的方式将横切关注点（如事务管理、日志、权限控制等）与业务逻辑解耦，从而实现代码复用和模块化。AOP的底层实现主要依赖JDK动态代理和Cglib动态代理：前者适用于接口代理，后者则通过生成子类增强类方法。Spring在加载AOP相关xml配置或注解时，会解析并创建相应的切面、通知与代理对象，并在运行时通过拦截器链完成方法调用增强。整个调用流程包括目标对象方法执行前后的增强逻辑插入，从而在不改变源代码的前提下实现功能扩展。开发者既可
2025-09-03 12:29:38
319
原创 CV快速测试缝合模型实战-框架篇-数据加载和模型构建
📌《CV 快速测试缝合模型实战·框架篇（第 2 期）》聚焦两大核心：数据加载模块（/data） 与 模型构建模块（/model），适合已有基础的同学深入理解项目结构与模块化设计。建议下载源码配合笔记学习，快速掌握缝合模型框架搭建。系列共三篇：基础篇讲解 Python 与 PyTorch 基础，框架篇聚焦模块拼装与结构设计，训练篇涵盖完整训练流程与实战技巧。下一期将发布完整框架代码，欢迎持续关注！
2025-07-29 16:19:06
812
原创 Spring源码详解之循环依赖
1.产生循环以依赖的原因？2.引入三级缓存解决3.那么这个三级缓存是怎么工作的呢？4.一定要是用三级缓存吗？二级行不行？
2025-07-29 16:15:28
731
原创 图像修复-CVPR2024-Bidirectional Multi-Scale Implicit Neural Representations for Image Deraining
针对图像去雨任务，本文提出 🌧️NeRDRain：一种端到端多尺度 Transformer 方法。该方法融合了 📍基于像素坐标的隐式神经表示与退化图像，有效增强对空间变化雨纹的建模能力与鲁棒性。同时引入 🔁多尺度双向反馈机制（粗到细 & 细到粗），加强不同尺度特征的信息交互，实现更强的协同表示与高质量去雨效果。
2025-07-11 11:52:30
885
原创 Spring源码拓展
本文深入探讨了 🌱Spring 源码中的七大拓展机制，包括：① initPropertySources 环境配置扩展，② customizeBeanFactory 自定义 BeanFactory 行为，③ 🧩 自定义 XML 标签解析，④ 🛠️ 属性编辑器扩展，⑤ postProcessBeanFactory 增强 Bean 定义处理，⑥ 🔁 ConversionService 类型转换服务，⑦ 🧵 使用 BeanPostProcessor 深度干预 Bean 生命周期，助你全面掌握 Spring
2025-07-11 11:48:07
981
原创 个人独创-CV领域快速测试缝合模型实战框架讲解-框架篇-参数与配置模块（/configs）、日志与模型检查点模块（/log.py）
📌 CV快速测试缝合模型实战 · 框架篇（第 1 期）· 参数与配置模块（/configs）、日志与模型检查点模块（/log.py）本章节主要是一下内容：参数与配置模块（/configs）日志与模型检查点模块（/log.py）强烈建议大家下载源码后，配合笔记学习！！！
2025-07-06 10:39:16
895
原创 Spring源码全面图文详解-Spring的13个重要方法
🚀 Spring核心方法解析：refresh()流程摘要📌 核心阶段：1️⃣ 配置加载 → BeanDefinition2️⃣ 工厂增强 → BeanFactoryPostProcessor3️⃣ 实例化 → 反射创建对象4️⃣ 依赖注入 → 属性赋值5️⃣ 初始化 → Aware接口 + init-method6️⃣ 后处理 → BeanPostProcessor生成代理💡 关键点：完整生命周期管理，扩展性强，AOP在此实现
2025-07-06 10:31:52
1163
原创 个人独创-CV领域快速测试缝合模型实战框架讲解-基础篇-Pytorch必学知识
🚀CV领域怎么快速测试缝合模型？💻本系列笔记分为三篇：🔰 基础篇：聚焦 Python 与 PyTorch 基础语法，可以基本看懂代码，适合零基础或需要回顾的同学。🧱 框架篇：深入剖析 CV 模型的核心组件与缝合模块，讲解项目结构设计，配套开源代码。🚀 训练篇：从实战出发，完整跑通一个深度学习模型的训练流程。涵盖数据预处理、模型训练技巧（如学习率策略、多卡训练、最优模型保存加载策略等）🛠 软件篇：聚焦于分享一些我使用过好用的软件，以及一些软件中好用的配置，帮助大家高效科研！
2025-07-05 11:45:53
1051
原创 个人独创-CV领域快速测试缝合模型实战框架讲解-基础篇-Python必学知识
🚀CV领域怎么快速测试缝合模型？那就准备开更啦！💻本系列笔记分为三篇：🔰 基础篇：聚焦 Python 与 PyTorch 基础语法，可以基本看懂代码，适合零基础或需要回顾的同学。🧱 框架篇：深入剖析 CV 模型的核心组件与缝合模块，讲解项目结构设计，配套开源代码。🚀 训练篇：从实战出发，完整跑通一个深度学习模型的训练流程。涵盖数据预处理、模型训练技巧（如学习率策略、多卡训练、最优模型保存加载策略等）🛠 软件篇：聚焦于分享一些我使用过好用的软件，以及一些软件中好用的配置，帮助大家高效科研！
2025-07-05 11:34:41
232
原创 可变形卷积-IVC2024-LDConv Linear deformable convolution for improving convolutional neural networks
LDConv（Linear Deformable Convolution）是一种改进的卷积操作，旨在解决标准卷积和可变形卷积在采样固定和参数增长方面的局限。它通过引入可调的采样位置生成算法和偏移机制，实现了卷积核参数的线性增长，并允许任意初始采样形状，从而在提升模型性能的同时有效控制网络复杂度。
2025-06-09 22:05:41
1189
原创 图像修复-ECCV 2024-Efficient Frequency-Domain Image Deraining with Contrastive Regularization
本文提出了一种融合频率域特征的高效图像去雨框架 FADformer。其核心模块 FADBlock 由两部分组成：FFCM 同时在空间和频率域进行卷积操作，结合局部与全局信息，提高建模效率；PGFN 引入残差通道先验，通过门控机制增强局部细节与结构保持能力。此外，训练过程中引入了 频域对比约束（FCR），通过利用负样本中的雨纹模式，进一步提升去雨性能。
2025-06-05 15:44:27
1087
原创 图像超分-CVPR2022-Multi-scale Attention Network for Single Image Super-Resolution
该论文提出一种用于图像超分的卷积网络——多尺度注意力网络（MAN），旨在弥补CNN在低级视觉任务中相较`Transformer`的劣势。MAN包含两个模块：多尺度大卷积核注意力（MLKA）和门控空间注意力单元（GSAU）。MLKA通过多尺度和门控机制增强注意力表达，融合全局与局部信息；GSAU结合门控和空间注意力，有效聚合空间上下文。实验表明，MAN在性能与计算之间实现了良好平衡。
2025-05-17 10:13:20
984
原创 图像修复-频域TransformerMamba-2024-A Hybrid Transformer-Mamba Network for Single Image Deraining
这篇论文提出了一种新型去雨网络 TransMamba，结合频域 Transformer 和 Mamba 状态空间模型两种分支，有效建模雨迹的长距离依赖与频域特征。通过双分支特征融合与频谱增强机制，TransMamba 在多个数据集上显著优于现有方法。
2025-05-13 16:11:58
1215
原创 Java项目部署-Springboot+Vue网页部署上线全教程
本文介绍了如何在 CentOS 服务器上部署一个基于 Spring Boot 后端和 Vue 前端的网页应用。首先，安装 MySQL 数据库支持后端数据存储，接着使用 Maven 打包 Spring Boot 项目并配置 Java 环境运行 .jar 包。前端 Vue 项目通过 Node.js 打包并修改 API 路径指向 Spring Boot 部署的公网地址。最后，使用 Nginx 配置反向代理部署 Vue 静态文件，实现前端页面访问。该教程适合开发者快速完成前后端分离项目的部署与上线。
2025-05-06 16:27:46
1334
原创 Transformer-CVPR2025-线性注意力-Breaking the Low-Rank Dilemma of Linear Attention
本工作提出了一个非常有意义的观点：线性注意力虽然高效，但其表达能力受限于“低秩”问题。为此，作者引入了“秩增强”机制，既保留了线性复杂度，又提升了建模能力，最终构建的 RAVLT 模型在 ImageNet 上表现优异，展示了线性注意力在视觉领域进一步发展的可能性。
2025-04-30 17:35:46
2042
1
原创 元学习-原理详解、论文举例、如何修改代码？
元学习（Meta-learning），又称为“学习如何学习”，是一种让机器学习模型能够快速适应新任务的学习方法。它的核心思想是通过多个学习任务训练一个模型，使其在面对新任务时能够迅速获得良好性能，即“用以前学过的经验来学习新的任务”。
2025-04-11 11:32:37
992
原创 图像修复-CVPR2021-恶劣天气图像修复-TransWeather: Transformer-based Restoration of Images Degraded...
TransWeather 提出了一种基于 Transformer 的端到端模型，采用 Intra-Patch Transformer 结构增强局部注意力，并引入可学习的天气类型嵌入，仅用单个编码器和解码器即可高效去除多种恶劣天气条件，在多个数据集上显著超越现有方法。
2025-03-23 20:44:13
1360
2
原创 深度学习模型组件之优化器—AdaBelief：结合Adam和SGD优点的自适应优化器
在深度学习模型的训练过程中，优化器的选择对模型的性能和收敛速度起着至关重要的作用。传统的优化器如随机梯度下降（SGD）和Adam在许多场景中表现良好，但它们也存在一些局限性，例如可能陷入局部最优或收敛不稳定。为了解决这些问题，研究者提出了AdaBelief优化器，它结合了Adam和SGD的优点，根据梯度方向上的“信念”来调整训练步长，实现了快速收敛和良好的泛化能力。
2025-03-09 16:44:57
1189
原创 深度学习模型组件之优化器—Lookahead：通过“快慢”两组优化器协同工作，提升训练稳定性
在深度学习模型的训练过程中，优化算法的选择对模型的性能和收敛速度起着至关重要的作用。传统优化器如随机梯度下降（SGD）和Adam在许多场景中表现良好，但它们也存在一些局限性，如可能陷入局部最优或收敛不稳定。为了解决这些问题，研究者提出了Lookahead优化器，它通过“快/慢”两组优化器的协同工作，提升了训练的稳定性和效率。
2025-03-09 16:11:47
1215
原创 深度学习模型组件之优化器--Nadam结合 Adam 与 Nesterov 加速（Nadam）
近年来，深度学习模型的训练离不开高效的优化算法。从最基础的随机梯度下降（SGD）到 Momentum、AdaGrad、RMSProp，再到 Adam，优化算法不断演进以适应大规模、高维非凸问题的挑战。Nadam（Nesterov-accelerated Adaptive Moment Estimation） 正是在这一发展过程中出现的，它在 Adam 的基础上引入了 Nesterov 加速技术，从而融合了自适应学习率和预见性动量的优点。
2025-03-09 15:48:31
1663
原创 深度学习模型组件之优化器--自适应学习率优化方法（Adadelta、Adam、AdamW）
在深度学习中，优化器是训练过程中不可或缺的一部分。不同的优化器通过调整学习率和更新规则来帮助模型收敛得更快、更好。本文将详细介绍三种常用的优化器：Adadelta、Adam 和 AdamW，并展示它们的核心公式、工作原理、优缺点以及应用场景。
2025-03-08 17:29:55
3670
原创 深度学习模型组件之优化器-自适应学习率优化方法（Adagrad、RMSprop）
在深度学习模型的训练过程中，选择合适的优化算法对于模型的收敛速度和性能至关重要。自适应学习率优化方法通过根据梯度信息动态调整学习率，能够更有效地处理稀疏数据和非平稳目标函数。本文将介绍两种常用的自适应学习率优化方法：Adagrad（Adaptive Gradient Algorithm）和RMSprop（Root Mean Square Propagation），并提供相应的代码示例。
2025-03-08 13:26:55
1263
原创 深度学习模型组件之优化器--动量优化方法（带动量的 SGD 与 Nesterov 加速梯度）
在深度学习模型的训练过程中，选择合适的优化算法对于模型的收敛速度和性能至关重要。动量优化方法在传统优化算法的基础上，通过引入动量项，加速收敛并减小震荡。本文将介绍两种常用的动量优化方法：带动量的随机梯度下降（SGD with Momentum）和 Nesterov 加速梯度（Nesterov Accelerated Gradient, NAG），并将它们与基础优化方法进行对比。
2025-03-07 17:39:02
1846
原创 深度学习模型组件之优化器--基础优化器（GD、SGD、Mini-batch SGD）
在深度学习的训练过程中，优化器扮演着至关重要的角色。如何高效地寻找损失函数的最小值，直接影响模型的训练速度和最终性能。今天我们就来详细探讨三种基础优化方法：梯度下降（Gradient Descent, GD）、随机梯度下降（Stochastic Gradient Descent, SGD）以及小批量梯度下降（Mini-batch SGD）。
2025-03-07 17:15:29
1215
原创 深度学习模型组件-RevNorm-可逆归一化（Reversible Normalization）
深度学习中的归一化方法，如 Batch Normalization（BN）和 Layer Normalization（LN），已经广泛用于稳定训练和加速收敛。然而，这些方法通常需要额外的计算开销，并可能导致信息损失。2022 年，研究人员提出了一种新的归一化方法——RevNorm（Reversible Normalization），旨在减少归一化过程对信息的破坏，同时保持模型的稳定性和可逆性。
2025-03-06 23:07:29
1385
原创 深度学习模型组件-InstanceNorm-实例归一化(Instance Normalization)
Instance Normalization（实例归一化，简称InstanceNorm）是一种用于深度学习模型的归一化技术，最早由 Dmitry Ulyanov 等人 在 2016 年的论文`《Instance Normalization: The Missing Ingredient for Fast Stylization》`中提出。它最初是为风格迁移（Style Transfer）任务设计的，但后来被广泛应用于生成对抗网络（GAN）、计算机视觉等领域。
2025-03-06 09:41:26
2055
原创 深度学习模型组件-LayerNorm-层归一化（Layer Normalization, LayerNorm）
层归一化（Layer Normalization，简称 LayerNorm）是一种用于深度学习的归一化技术，由 Ba, Kiros, and Hinton在 2016 年提出。它的主要目的是解决批归一化（Batch Normalization, BN）在小批量（mini-batch）训练或循环神经网络（RNN）中的局限性。
2025-03-05 16:59:20
4711
原创 深度学习模型组件-AdaIN-自适应实例归一化（Adaptive Instance Normalization, AdaIN）
自适应实例归一化（AdaIN）是一种用于风格迁移（Style Transfer）和图像生成的归一化方法，由 Huang & Belongie在 2017 年提出。其核心思想是让目标风格图像的统计信息（均值和标准差）直接影响内容图像的特征，从而实现风格转换。AdaIN 主要用于 风格化生成任务，如 StyleGAN 和图像风格迁移（Style Transfer）等。
2025-03-05 16:32:49
1980
原创 图像生成-ICCV2019-SinGAN: Learning a Generative Model from a Single Natural Image
SinGAN 通过多尺度全卷积 GAN 金字塔结构，从单张自然图像中学习内部 patch 分布，无需条件输入即可生成多样化、高质量的新图像，并适用于广泛的图像处理任务。
2025-03-04 17:16:39
1261
原创 图像超分-CVPR2022-Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution
本文提出了一种高效且适应退化的超分辨率网络（DASR），针对真实世界图像超分辨率任务中复杂未知的退化情况和计算资源受限的问题，创新性地设计了一个由轻量级回归网络预测图像退化参数的机制，并结合多个具有相同拓扑的卷积专家网络，通过非线性混合专家方法动态生成网络参数，实现对不同退化图像的自适应处理；同时，利用多专家的联合优化显著增强了模型对多样退化情况的适应能力，并在推理阶段通过仅选择一个专家网络进行计算，保证了推理效率，最终实现了在复杂退化条件下兼顾效果与效率的真实图像超分辨率解决方案。
2025-01-27 12:04:21
1214
原创 图像修复-CVPR2023-Comprehensive and Delicate An Efficient Transformer for Image Restoration
提出了一种高效的图像修复Transformer，通过捕捉超像素级的全局依赖性并将其传递到像素级，来提高计算效率。核心方法包括两个神经模块模块（CA）通过特征聚合和注意力计算高效地捕捉超像素级的全局依赖，而双适应神经模块（DA）则通过双重结构将超像素的全局信息适应性地传递到每个：凝聚注意力神经像素
2024-12-04 14:40:28
1675
原创 图像修复-CVPR2024-ResFormer Scaling ViTs with Multi-Resolution Training
ResFormer 通过多分辨率训练、尺度一致性损失和全局-局部位置编码策略提升模型在不同分辨率下的适应性。多分辨率训练增强对未见过分辨率的适应，尺度一致性损失确保不同尺度信息一致，全局-局部位置编码策略帮助模型平滑过渡到新分辨率，提升了模型的鲁棒性。
2024-12-04 14:32:39
1270
原创 图像修复-CVPR2024-AST-Adaptive Sparse Transformer with Attentive Feature Refinement for ImageRestoration
Adaptive Sparse Transformer (AST) 通过减少图像恢复过程中无关区域的噪声干扰和特征冗余，实现更高效的图像清晰度恢复。AST 包含两个关键设计：自适应稀疏自注意力（ASSA）和 特征精炼前馈网络（FRFN）。
2024-11-10 10:48:19
4286
7
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人