EDSR:Enhanced Deep Residual Networks for Single Image Super-Resolution

最新推荐文章于 2023-02-09 21:31:40 发布
最新推荐文章于 2023-02-09 21:31:40 发布
阅读量1.3k 收藏 4
点赞数
分类专栏： 图像超分辨率
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/wangchy29/article/details/88381643
版权
本文分析了前人超分辨率方法的局限性，并提出了增强型深度残差网络(EDSR)，改进了残差块结构，移除了批归一化层以提高性能。通过单一和多倍超分辨率模型，以及几何自集合技术，EDSR在资源有限的情况下，实现了更好的超分辨率效果。在实验中，EDSR和MDSR通过数据增强和几何自集合在多个数据集上表现出优越的性能。

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

Enhanced Deep Residual Networks for Single Image Super-Resolution

Bee Lim,Sanghyun Son,Heewon Kim,Seungjun Nah,Kyoung Mu Lee
Department of ECE, ASRI, Seoul National University, 08826, Seoul, Korea

前人方法的问题

  1. 前人的方法对网结构的改变非常敏感。结构的改变或者初始化的不同都会影响网络的效率。
  2. 目前的方法只能解决一个放大因子的超分辨率问题，没有发现不同放大因子超分辨率的关系。而VDSR解决了这个问题，但是它需要bicubic插值的图像作为输入，这样很耗时间和内存。SRResNet克服了时间和内存的问题，但ResNet的提出最初是用在高层问题，如检测和分类的，将其应用在低层的超分辨率问题会得到次优的结果。

论文基于上述方法的问题和优点，吸取了SRResNet的优点，在其基础上对其进一步改进，实现了多规模超分辨率网络。同时采用在低倍超分辨率基础上训练高倍超分辨率网络的方法，让多规模网络共享了很多参数，解决了多规模网络需要大量参数的问题。

论文方法

残差块的改进

上图展示了最初的残差块的结构、SRResNet的残差块的结构和论文提出的方法EDSR的残差块结构。可以看出相比于最初的残差块，SRResNet删去了最后的ReLU部分，而EDSR对SRResNet的残差块提出进一步改进，删去了其中的BN部分。

论文认为&

最低0.47元/天 解锁文章
【图像超分】论文精读：Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR和MDSR）
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】
03-28 7005
最近对超分辨率的研究随着深度卷积神经网络 (DCNN) 的发展取得了进展。特别是，残差学习技术表现出更好的性能。在本文中，我们开发了一个增强的深度超分辨率网络（EDSR），其性能超过了当前最先进的 SR 方法。我们模型的显着性能改进是由于通过删除传统残差网络中不必要的模块进行优化。当我们稳定训练过程时，通过扩展模型大小可以进一步提高性能。我们还提出了一种新的多尺度深度超分辨率系统(MDSR)和训练方法，该方法可以在单个模型中重建不同缩放因子的高分辨率图像。所提出的方法在基准数据集上比最先进的方法表现出更好的
EDSR（Enhanced Deep Residual Networks for Single Image Super-Resolution）论文阅读笔记
qq_40107571的博客
07-02 930
摘要：1 作者提出了EDSR，通过去除残差单元中不必要的模块，并且扩大模型的规模，使网络的性能得到提升 2 提出了多尺度超分辨模型和训练方法，即在单个模型中可以重建不同上采样因子的图片。引言LR图片使由HR图片双三次插值下采样得到的。深度神经网络在SR问题上在PSNR上获得了巨大的性能提升。但是这种网络也由局限性。首先，神经网络的重建性能对于结构的微小变化是十分敏感的。而且，相同的模型在不同的初始化和训练技巧上获得不同的性能。所以，模型结构和在训练的过程中复杂的优化方法是很重要的。第二，大多数SR算法把不同
EDSR(torch)-Enhanced Deep Residual Networks for Single Image Super-Resolution代码
12-25
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution论文代码，NTIRE2017冠军，Torch写的，欢迎各位下载
Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR）
zhangwl27的专栏
01-31 3054
摘要 近年来，随着深度卷积神经网络（DCNN）的发展，SR的研究也取得了进展。尤其是，残差学习技术展现出更好的效果。在本文中，我们开发了一个增强深度SR网络（EDSR），效果超过了那些目前最好的SR方法。我们通过移除传统残差网络中不必要的模块来优化，使得我们的模型性能显著提升。通过扩大模型大小来进一步提升效果，同时保持训练流程稳定。我们也提出了一种新的多尺度深度SR 系统（MDSR）和训练方法，...
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution代码
12-25
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution,pytorch实现的，欢迎各位下载！
（EDSR）CVPR-2017：Enhanced Deep Residual Networks for Single Image Super-Resolution
M_Y_Y_的博客
08-31 1117
增强的单图像超分辨率深度残差网络；CVPR，2017 主要问题 大多数现有的SR算法将不同尺度因子的超分辨率视为独立问题，这些算法需要许多尺度特定的网络，需要独立训练以处理各种尺度。 VDSR可以在单个网络中处理多个尺度的超分辨率，但是，VDSR的体系结构需要双三次插值图像作为输入，这导致与使用特定比例上采样方法的体系结构相比，计算时间和内存更大。 方法 使用单尺度体系结构（EDSR）处理特定的超分辨率比例，使用多尺度体系结构（MDSR）在单个模型中重建各种比例的高分辨率图像。 三种模型的残差块
Enhanced Deep Residual Networks for Single Image Super-Resolution
ysh的博客
08-09 2845
其次，现有的SR算法将不同尺度因子的超分辨率视为独立问题，而没有考虑和利用不同尺度之间的相互关系，这些算法需要许多特定尺度的网络，这些网络需要独立训练来处理不同尺度。通过对预处理模块采用较大的内核，我们可以保持特定规模的部分较浅，而在网络的早期阶段则覆盖了较大的接受域。我们不仅利用了每个尺度的学习特征之间的相互关系，而且还提出了一种新的多尺度模型，可以有效地重建不同尺度的高分辨率图像。在图2中，我们比较了来自原始ResNet[9]、SRResNet[14]和我们提出的网络的每个网络模型的构建块。...
Enhanced Deep Residual Networks for Single Image Super-Resolution NTIRE2017（EDSR）
Janice_Fj的博客
03-05 490
1 EDSR 1.1 相关研究 VDSR（CVPR2016）和SRResNet（CVPR2017） 1.跳跃链接，全局和局部的跳跃链接使模型更深更稳固。 2.尺寸放大方法，使用子像素卷积的后放大尺寸比之前放大更有效。但，可能被限制在单尺寸超分辨率重建。 1.2 EDSR的四个改进点 1.batch-normalization 不像分类问题，输入和输出有相似的分布。 在SR中，可能不希望标准化中...
图像超分辨EDSR：Enhanced Deep Residual Networks for Single Image Super-Resolution，论文笔记
热门推荐
Cyiano的博客
11-02 1万+
图像超分辨EDSR：Enhanced Deep Residual Networks for Single Image Super-Resolution，论文笔记简介 作者提出的模型主要是提高了图像超分辨的效果，并赢得了NTIRE2017 Super-Resolution Challenge。 做出的修改主要是在残差网络上。残差结构的提出是为了解决high-level问题，而不能直接套用到超分辨这种l
EDSR: Enhanced Deep Residual Networks for Single Image Super-Resolution
mytzs123的博客
02-09 493
近年来，随着深度卷积神经网络（DCNN）的发展，超分辨率研究取得了进展。特别是，残余学习技术表现出改进的性能。在本文中，我们开发了一种增强型深度超分辨率网络（EDSR），其性能超过当前最先进的SR方法。我们的模型的显著性能改进是由于通过去除传统残余网络中不必要的模块进行了优化。在稳定训练过程的同时，通过扩大模型大小，进一步提高了性能。我们还提出了一种新的多尺度深度超分辨率系统（MDSR）和训练方法，该系统可以在单个模型中重建不同尺度因子的高分辨率图像。所提出的方法在基准数据集上表现出优于最先进方法的性能，并
Enhanced Deep Residual Networks for Single Image Super-Resolution code
05-31
EDSR在结构上就是把批规范化处理(batch normalization, BN)操作给去掉了。文章中说，原始的ResNet最一开始是被提出来解决高层的计算机视觉问题，比如分类和检测，直接把ResNet的结构应用到像超分辨率这样的低层计算机视觉问题
EDSR-关于超分辨率
01-04
超分辨率的资源。。
《Enhanced Deep Residual Networks for Single Image Super-Resolution》阅读笔记
69小石头的博客
05-18 541
一、论文 《Enhanced Deep Residual Networks for Single Image Super-Resolution》 随着深度卷积神经网络（DCNN）的发展，有关超分辨率的最新研究已经取得了进展。 特别地，残余学习技术表现出改进的性能。 在本文中，我们开发了一种性能增强的深层超分辨率网络（EDSR），其性能超过了当前最新的SR方法。 我们模型的显着性能改进是由于通过删除常规残差网络中不必要的模块进行了优化。 通过扩大模型大小，同时稳定训练过程，可以进一步提高性能。 我们还提出
超分辨率论文 EDSR：Enhanced Deep Residual Networks for Single Image Super-Resolution
qq_38799933的博客
05-04 1184
图像超分辨率网络：EDSR 代码地址：https://github.com/fengye-lu/EDSR-PyTorch-master 一.前言 图像超分辨率（SR）问题，特别是单图像超分辨率（single image super-resolution，SISR）问题，最近十年来受到越来越多的研究关注。SISR的目的是从单个低分辨率图像I（LR）重建高分辨率图像I（SR）。通常，I（LR）与原始的...
[论文笔记] Enhanced Deep Residual Networks for Single Image Super-Resolution
qq_40079310的博客
08-10 2740
[论文笔记] EDSR 文章目录[论文笔记] EDSR一，简介二，EDSR网络Residual blocksSR问题中BN层不好的原因残差缩放(residual scaling)网络架构三，MDSR模型思路来源网络架构四，loss选择五，实验细节 一，简介 通过去除残差网络中不必要的组成模块，本文基于SRResNe提出了一个增强深超分辨网络(EDSR)，提高了图像超分辨的效果，并赢得了NTI...
SR-Enhanced Deep Residual Networks for Single Image Super-Resolution
it-hao的博客
09-10 764
总体概括：该论文主要是在SRResNet网络的基础之上进行了改进，因为ResNet主要是针对分类或者检测问题来说效果比较好，所以，对本文想对原有的残差网络进行修改，从而提升效果。并且，该论文实现了两种模型，一种是Single-Scale Model,即EDSR,另外一种是Multi-Scale Model，即MDSR。 论文中的一些改进内容 残差块：(1)We remove the batc...
【文章阅读】【超解像】--Enhanced Deep Residual Networks for Single Image Super-Resolution
happyday_d的博客
12-31 709
【文章阅读】【超解像】–Enhanced Deep Residual Networks for Single Image Super-Resolution 论文链接：https://arxiv.org/abs/1707.02921 code：https://github.com/thstkdgus35/EDSR-PyTorch ​ 本文是韩国首尔大学的研究团队出的用于SR任务的新方法(之前方法的修...
【超分辨率】Enhanced Deep Residual Networks for Single Image Super-Resolution
Shwan_ma的博客
07-29 9349
这篇文章是NTIRE2017 Super-Resolution Challenge 夺冠文章。机器之心对此进行了简单的翻译，还是比较详细的： https://mp.weixin.qq.com/s/xpvGz1HVo9eLNDMv9v7vqg这篇博客主要记录我对这篇文章的理解：一、本文主要内容:该文章提出了两种模型EDSR（单一尺度网络） 和 MDSR（多尺度超分辨率架构）。目前一个DL网络往往对应
Single Image Super-resolution from Transformed Self-Exemplars
最新发布
03-16
### 单图像超分辨率技术概述 单图像超分辨率（Single Image Super-Resolution, SISR）是一种旨在从低分辨率图像重建高分辨率图像的技术。近年来，基于深度学习的方法显著提升了SISR的效果。其中，“Transformed Self-Exemplars”方法通过利用图像内部的自相似性来增强细节恢复能力[^1]。 #### Transformed Self-Exemplars 技术的核心概念 Transformed Self-Exemplars 方法的主要思想是从输入图像本身提取特征作为参考样本，并通过对这些样本进行变换以适应不同的局部结构。这种方法避免了对外部训练数据集的高度依赖，从而减少了过拟合的风险并提高了泛化性能[^2]。 具体而言，该算法设计了一个端到端可训练框架，其中包括以下几个关键组件： 1. **Self-Similarity Mining**: 自动检测图像中的重复模式或纹理区域。 2. **Transformation Module**: 对挖掘出的自相似块应用几何和光度变换，使其能够匹配目标位置的需求。 3. **Fusion Mechanism**: 将多个转换后的样例融合在一起，形成最终的高分辨率预测结果。 此过程不仅保留了原始信号的重要特性，还有效增强了边缘锐利度以及颜色一致性[^3]。 #### 相关研究进展 除了上述提到的技术外，还有其他一些重要的工作也值得关注。例如，Dong等人提出的 SRCNN (Super Resolution Convolutional Neural Network)，首次将卷积神经网络引入到了超级解析领域；Kim等人开发的 EDSR (Enhanced Deep Residual Networks for Single Image Super-Resolution) 则进一步优化了模型架构，在速度与质量之间取得了更好的平衡[^4]。 值得注意的是，尽管当前许多先进方案都采用了复杂的多尺度特征表示或者注意力机制，但 Transforming Self-examples 的独特之处在于它强调充分利用单一输入源内的信息资源，这使得其特别适合处理那些难以获取充足外部标注资料的应用场景[^5]。 ```python import torch.nn as nn class SimpleSRModel(nn.Module): def __init__(self): super(SimpleSRModel, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=9, padding=4) self.relu = nn.ReLU() self.conv2 = nn.Conv2d(64, 32, kernel_size=1, padding=0) self.conv3 = nn.Conv2d(32, 3, kernel_size=5, padding=2) def forward(self, x): out = self.relu(self.conv1(x)) out = self.relu(self.conv2(out)) out = self.conv3(out) return out ``` 上面展示了一种简单的 SR 模型定义方式，实际项目中可能需要更复杂的设计才能达到理想效果。
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