sinat_36197913的博客

Densely Residual Laplacian Super-ResolutionAbstractIntroductionNetwork ArchitectureCascading Residual on the ResidualDense Residual Laplacian ModuleExperimentsConclusionAbstract超分辨率卷积神经网络最近证明了能对单个图像进行高质量的还原。但是，现有算法通常需要非常深的架构和较长的训练时间。 此外，当前用于超分辨率的卷积神经网络无法

ABPNAbstractMethodBack Projection Blocks for image SRSpatial Attention Blocks (SAB)Refined Back Projection Block (RBPB)ExperimentsConclusionAbstract作者提出了一个Attention based Back Projection Network。MethodBack Projection Blocks for image SR迭代反投影模块是在DBPN中提

A Matrix-in-matrix Neural Network for Image Super ResolutionAbstractIntroductionMatrixed Channel Attention NetworkNetwork StructureMatrix in MatrixMatrixed Channel Attention CellAbstract近年来，深度学习方法通过...

RDN网络结构实现细节讨论（与其他网络的区别）实验设置实验结果参考博客RDN——Residual Dense Network—— 残差深度网络。RDN是基于深度学习的超分方法之一，发表于CVPR 2018。网络结构RDN网络结构分为4个部分：SFENet(Shallow Feature Extraction Net, 浅层特征提取网络)；RDBs( Residual Dense Bl...

SRDenseNet网络结构参考博客DenseNet是CVPR2017的best papaer获奖论文。DenseNet在稠密块(dense block)中将每一层的特征都输入给之后的所有层，使所有层的特征都串联(concatenate)起来，而不是像ResNet那样直接相加。这样的结构给整个网络带来了减轻梯度消失问题、加强特征传播、支持特征复用、减少参数数量的优点。一个稠密块的结构如下图所示。...

DBPN网络结构实验设置实验结果参考博客这篇文章是CVPR 2018年的文章，相较同时录用的《Residual Dense Network for Image Super-Resolution》而言，个人觉得本文创意非常不错。文章很好的利用了传统算法 IBP（迭代反投影）,并通过深度网络实现出来的结构。网络结构区别于前几年的三种典型网络：pre-upsample 处理的网络，先将LR进...

MemNet网络结构实验结果参考博客传统CNN基本都是单向传播, 在靠后的层, 接收到的信号十分微弱, 这种单向传播的网络, 比如VDSR/DRCN等, 称为短期记忆网络。而有些网络结构中, 网络中的神经元不仅受到直接前驱的影响, 另外还受到额外指定的前驱神经元的影响, 这种被称为限制的长期记忆网络MemNet引入了一个包含递归单元(recursive unit)和门控单元(gate uni...

EnhanceNet网络结构损失函数训练细节实验结果参考博客ICCV2017年的“EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis”是与SRGAN同期的研究工作，有相似之处，使用perceptual loss提高生成图像的真实性，并使用GAN进行训练，但EnhanceNet更强调纹理统计特性...

EDSR网络结构EDSRMDSR训练方式实验结果总结参考博客韩国首尔大学的研究团队提出用于图像超分辨率任务的新方法，分别是增强深度超分辨率网络 EDSR 和一种新的多尺度深度超分辨率 MDSR，在减小模型大小的同时实现了比当前其他方法更好的性能，分别赢得NTIRE2017超分辨率挑战赛的第一名和第二名。EDSR是一个加强的用于SR的深度残差网络，主要是在SRResnet的基础上进行改造的。V...

DRRN网络结构参考博客这是一篇CVPR2017的关于图像超分辨率的文章，相较于VDSR取得了更好的结果，从结构上看，还是之前的基调，更深的网络结构（52层），同时采取了递归操作，递归模块中存在权重共享，减少了模型的参数，取得了较好的成果。创新点：更深的网络层次，不过深度增加的网络对梯度传播带来困难，此篇论文采取的是VDSR的调整梯度裁剪加DRCN的递归学习；递归学习，其实这不算是...

LapSRN网络结构损失函数实验结果参考博客传统的超分辨做法有一些共同之处，首先是L2 loss函数，其次，使用特定尺寸的图片输入（VDSR除外），最后，都是输入到结果，无中间的超分辨率结果。论文先指出了传统SR（super resolution）做法中的一些问题：现有方法可以处理各个尺寸的低分辨率图片，利用线性插值 将输入图片转为指定尺寸，这一步骤增加了人为噪声；使用L2 loss函数...

ESPCN亚像素卷积层(sub-pixel convolutional layer)实验结果参考博客在SRCNN和DRCN中，低分辨率图像都是先通过上采样插值得到与高分辨率图像同样的大小，再作为网络输入，意味着卷积操作在较高的分辨率上进行，相比于在低分辨率的图像上计算卷积，会降低效率。 ESPCN(Real-Time Single Image and Video Super-Resolution...

FSRCNNFSRCNN改进之处网络结构实验结果参考博客FSRCNN仍然是由港中文大学的Dong Chao, Tang XiaoOu等人做出来的文章，是SRCNN（将CNN引入超分辨率处理的开山之作）之后的又一力作。该文章发表在CVPR2016上的文章，声称能在CPU上进行实时处理视频超分辨率。FSRCNN改进之处并不是将三次插值后的图像当做输入，而是直接将LR图像丢入到网络中，最后选用...

DRCN网络结构实验结果参考博客SRCNN的层数较少，同时感受野也较小（13x13）。DRCN (Deeply-Recursive Convolutional Network for Image Super-Resolution, CVPR 2016)提出使用更多的卷积层增加网络感受野（41x41），同时为了避免过多网络参数，该文章提出使用递归神经网络（RNN）。网络结构对于图像复原问题的操...

SRCNN算法流程训练测试超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SIS...