Rainyliuliu-优快云博客

翻译 Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform

Abstract恢复自然和逼真的纹理仍然是一个具有挑战性的问题,可以忠实与语义类恢复图片纹理。我们仅需在基于语义分割概率图的单个网络中调制几个中间层的特征。这可以通过新颖的空间特征变换（SFT）层来实现，该层生成用于空间特征调制的仿射变换参数。 SFT层可以与具有相同损耗功能的SR网络一起端到端地进行训练。在测试期间，它接受任意大小的输入图像，并生成高分辨率图像，只有一个前向通道以分类先...

2018-08-09 12:30:12 1733

原创 YCbCr与RGB的转换

YCbCrY：明亮度，也就是灰阶值。“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。Cb：反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。Cr：反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。YCbCr与RGB的转换转换公式一定要依据ITU的标准，常看到的是ITU.BT-601和ITU.BT-709。把上述矩阵展开成方程式，如下Y = 0.29...

2018-07-02 11:21:39 18726 3

原创 SRGAN的损失函数

GAN的作用，是额外增加一个D网络和2个损失（判别损失和生成判别损失），用一种交替训练的方式训练两个网络。这个模型可以分为3部分：main模块，adversarial模块，和vgg模块。（一般main模块就是adversarial模块里的G网络）adversarial可以看作是一种训练技巧，只在训练阶段会用到adversarial模块进行计算，而在推断阶段，仅仅使用G网络（或者说main模块）。也...

2018-06-21 20:14:50 9647

转载生成对抗网络GANs工作原理

原文链接：https://www.cnblogs.com/max-hu/p/7129188.html生成对抗网络GANs工作原理　　生成对抗网络是一种基于可微生成器的生成式建模方法。　　生成对抗网络基于博弈模型，其中生成器网络（generator network）必须与其对手判别器（discriminator）竞争。生成器直接生成样本 x = g(z ; θ(g)) 。其对手，判别器网络会尝试区...

2018-06-21 19:40:04 2097

原创 LapSRN的Loss: Carbonnier Loss

本文认为相同的LR补丁可能有多种相应的HR补丁,而L2范数并不能捕捉潜在的综合HR补丁,L2范数重建出的图像往往过平滑。本文提出了一种抗噪性强的损失函数:让x输入LR形象和θ的设置网络参数进行优化。目标是学习一个映射函数用于生成高分辨率图像ˆy = f(x;θ)贴近grounth truth图像y。x表示LR图像，y表示HR图像，r表示残差，用rs表示s级残差图像，s表示对应的level，也就是s...

2018-06-21 14:33:45 5725 2

原创图像超分辨率loss以及评估标准的代码实现

图像超分辨率网络lossMSE:MSE表示当前图像X和参考图像Y的均方误差（MeanSquare Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. 代码实现：mse = tf.reduced_mean(tf.squared_difference(target,output))L1 loss:L2 loss:loss= tf.reduce_sum(tf...

2018-06-20 20:08:34 8546

原创如何训练tensorflow模型

class Model(object): def __init__(self,img_size ,num_layers,.feature_size,channels): self.input = tf.palceholder(tf.float32,[None,img_size,img_size,channels]) self.output = tf.palceho...

2018-06-20 19:47:58 345

翻译 Convolutional Neural Networks with Alternately Updated Clique

摘要改善深层网络中的信息流有助于缓解训练难度并更有效地利用参数。这篇文章提出了一个新的卷积神经网络架构与交替更新的派系（CliqueNet）。同一块中的任何两层之间都有前向和后向连接，这些图层被构造为一个循环并交替更新。CliqueNet有一些独特的属性：对于每一层来说，它既是同一块中任何其他层的输入和输出，也是层间信息流最大化的结果。在传播过程中，新更新的图层被连接起来以重新更新之前更新的图层，...

2018-06-20 14:11:54 1460

原创 SRCNN与FSRCNN

SRCNN(DONGC, CHEN C L, HE K, ET AL. LEARNING A DEEP CONVOLUTIONAL NETWORK FOR IMAGESUPER-RESOLUTION[J].ECCV2014)•方法：对于一个低分辨率图像，先使用双三次（bicubic）插值将其放大到目标大小，再通过三层卷积网络做非线性映射，得到的结果作为高分辨率图像输出•三层卷积的结构可解释成：图像...

2018-06-15 13:12:53 7972

weixin_38203533的博客