SRGAN:Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

最新推荐文章于 2023-05-19 11:52:35 发布
最新推荐文章于 2023-05-19 11:52:35 发布
阅读量315 收藏 1
点赞数
CC 4.0 BY-SA版权
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/88524957
本文介绍了SRGAN，一种使用生成对抗网络实现照片级真实感单图像超分辨率的方法。SRGAN改进了传统MSE损失函数，结合了VGG损失、对抗损失和内容损失，以生成更真实的高分辨率图像。实验表明，这种方法相比其他超分辨率技术在视觉效果上有显著提升。

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

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Christian Ledig, Lucas Theis, Ferenc Huszár, Jose Caballero ,Andrew Aitken, Alykhan Tejani , Johannes Totz, Zehan Wang,  Wenzhe Shi 

2016年CVPR的文章

论文认为之前提出的方法的目标函数是MSEloss，这样的目标函数会导致过于光滑的图像，不够真实。而论文结合了VGG loss、对抗loss、content loss三种损失函数作为目标函数，并融入了生成对抗网络的思想。并且首次应用了LR空间上的快速特征学习和BN来让网络的训练更加有效。

论文提出的方法

首先GT(Groud Truth)是存在的，为了训练网络，LR是通过对GT下采样r倍，然后在对其进行高斯滤波得到的。

上图是网络的结构。从上面Ｇ的图中可以看出，Ｇ的中间有Ｂ个residual block，每个residual block都由两个同样的结构，就是卷积－BN－ReLU，其中卷积层的核是3 \times 3，特征图个数是64个。

生成器的目标就是

最低0.47元/天 解锁文章

200万优质内容无限畅学
《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》阅读笔记
Aaron_wei的博客
08-07 8026
本文提出了一种利用生成对抗网络(GAN)对低分辨率单一图像进行超分辨率(super-resolution)的网络结构，作为GAN的一种重要应用，很值得去学习研究。
【论文阅读】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
zjn1174962912的博客
05-10 800
SRGAN论文阅读
论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network...
a1424262219的博客
10-23 279
Photo-Realistic Single Image Super-Resolution Using a Generative AdversarialNetwork 2016.10.23 　　摘要：本文针对传统超分辨方法中存在的结果过于平滑的问题，提出了结合最新的对抗网络的方法，得到了不错的效果。并且针对此网络结构，构建了自己的感知损失函数。先上一张图，展示下强大...
SRGAN: Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
gdtop的个人笔记
02-15 3105
本篇blog的内容基于原始论文SRAGN-Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（CVPR2017）和《生成对抗网络入门指南》第六章。完整代码及简析见文章末尾 一、 摘要：为什么要使用SRGAN 使用更深和更快的CNN已经对超分辨率（super-resolution...
【文章阅读】【超解像】--Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
happyday_d的博客
12-31 3347
【文章阅读】【超解像10】–Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 论文链接：https://arxiv.org/abs/1609.04802 code(tensorflow)：https://github.com/tensorlayer/srgan 本文将GAN网络...
每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
u010032054的博客
03-10 1728
这篇文章用了深度残差网络同时用到GANs的概念构建的超分辨神经网络模型。主要贡献点： 1.构建由MSE优化的16blocks残差网络（SRResNet）。 2.SRGAN网络游GAN构建的网络。 3.MOS测试在3个数据库上SRGAN都不错的效果。 GAN的感知损失函数，除了GAN损失函数外还有基于内容的损失函数。内容的损失函数有两种，一种是MSE，还有一种是对VGG19的层卷积的结果求方
论文阅读——Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
weixin_44012382的博客
08-19 2964
前言 之前有一段时间看了挺多深度学习方面的论文，但是由于时间方面的问题一直没来得及进行总结。最近一段时间突发奇想把自己看论文时的学习笔记给记录一下，由于之前没写过博文，所以排版可能会有点emmm...一言难尽。专业方面的知识，如果有理解不到位的地方欢迎各位大佬指教。 Abstract 最近，使用卷积网络实现超分辨率的研究集中在最小化均方重构误差这一方向。这种方法可达到较高的峰值信噪比，但是恢复出的图片缺乏纹理细节。 文章提出了一种SRGAN网络，基于感知相似进行对抗训练，使网络可以从低分辨率图像中恢
[论文笔记]Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
weixin_42105640的博客
08-13 420
[论文笔记]Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 图像质量评价指标之 PSNR 和 SSIM 链接   传统的方法一般处理的是较小的放大倍数，当图像的放大倍数在4以上时，很容易使得到的结果显得过于平滑，而缺少一些细节上的真实感。这是因为传统的方法使用的代价函数一般...
【超分辨率】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
Shwan_ma的博客
08-05 3565
之前我一直在做基于CNN的超分辨率研究。最近因为工作需要，需要研究基于生成对抗网络GAN的网络来做超分辨率任务。 在这段时间以来，我发现CNN和GAN两类网络的侧重点其实完全不同。CNN旨在于忠实的恢复图像的高频信息，而GAN在于生成更真实或者说更符合人眼的高分辨率图片。 本文论文名：《Photo-Realistic Single Image Super-Resolution Using a ...
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（SRGAN）
zhangwl27的专栏
01-31 770
1.1、相关工作 1.1.1、图像超像素     为了重构真实纹理细节同时避免边缘伪影，Tai等人[52]将基于梯度剖面先验[50]的边缘导向的SR算法与基于学习的细节综合的好处组合。Zhang等人[70]等人提出一个多尺度字典来捕获不同尺度相似图像patches之间的冗余。为了恢复地标图像，Yue等人[67]从网页中检索和相似内容的相关HR图像，提出一个结构感知的匹配标准来对齐。（201...
[SRGAN] Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
sinat_30618203的博客
05-19 179
过去的super-resolution (SR)算法通过最小化mean squared error (MSE)来进行优化，尽管可以提高peak signal-to-noise ratio (PSNR)，但pixel-wise的图像监督无法捕捉到更精细的纹理细节。
SRGAN：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
baixue0729的博客
10-04 1179
作者：Christian Ledig, Lucas Theis, Ferenc Husz´ar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi Twitter 论文链接：https://arxiv.org/pdf/1609.04802.pdf 代码链接：https://github.com/brade31919/
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
jsliuqun的博客
02-15 6294
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
CVPR2017:Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
bobo的烧烤店
11-22 1347
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network摘要论文主体实现代码DatasetModelSRGAN实现结果 摘要 Despite the breakthroughs in accuracy and speed of single image super-resolution using faster and deeper convolutional neural networks, o
CV | SRGAN论文笔记：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
iLOVEJohnny的博客
03-31 1675
题外话 时隔一年多，距离第一篇SRCNN 超分系列的文章再更新 >.< 随着22个月的过去，超分在工业界的落地趋势逐渐明朗，让我们一起来回顾超分辨率这个领域又一经典里程碑式的方法——基于生成式对抗网络的超分辨率网络 SRGAN。 研究背景介绍 超分辨率（super resolution）任务的目标是将输入的低分辨率图像，例如256×256的图像，等比例放大若干倍后（如...
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文翻译——中文版
SnailTyan
04-16 1490
文章作者：Tyan 博客：noahsnail.com  |  优快云  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation Photo-Realistic Single Image Super-R...
深度学习实现Photo-Realistic图像超分辨率
本资源为SRGAN的tensorflow版本代码实现，基于论文《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》中的研究成果。论文中提出的SRGAN模型在超分辨率领域取得了显著的成果...
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