Hermite Lee的博客

原创 高性能计算面经

OpenGL（Open Graphics Library）和OpenCL（Open Computing Language）是两种不同的开放标准，由Khronos Group维护，但它们的应用场景和设计目标有显著区别。1. 核心用途OpenGL专注于图形渲染，用于在GPU上高效渲染2D/3D图形。它提供了一套API，允许开发者利用硬件加速绘制复杂的图形场景（如游戏、CAD、可视化等）。OpenCL专注于通用并行计算，允许开发者利用GPU、CPU或其他计算设备（如FPGA）进行高性能计算。

原创 2025跳槽学习计划

（6）深度学习优化与AI加速。（2）CPU性能优化。（3）GPU性能优化。

原创 新年学习计算机名校课程

计算机基础高性能计算AI计算机图形学：

原创 2023-2024 名校AI课程

2024 CS685: Advanced Natural Language Processing by University of Massachusetts 2024 High Performance Computing Course 6.5940 TinyML and Efficient Deep Learning Computing by Massachusetts Institute of Technology Natural Language Processing by The Univ

原创 围绕手机的计算影像学 张磊

原创 ISP图像信号处理 | GAMES204-计算成像

ISP

原创 风雨秋招路-CV太难了-记得复盘

TCL已进入人才库字节跳动夏令营笔试挂，三道题：完全二叉树、最短路径之斯坦纳树、二分求座位数工商银行面试：开源项目(很重视)，Java，对抗学习，比赛用的模型

原创 项目代码训练教程

配置好matconvnet后，deep_model下有三个文件夹，分别是我们的方法：FOC_SDeCNN_try和SDeCNN方法：HSI-SDeCNN-train1、2、3HSI-SDeCNN-train1：用于训练高斯+脉冲，运行文件Demo_training_HSI_SDeCNN开始训练HSI-SDeCNN-train2：用于训练高斯+脉冲，运行文件Demo_training_HSI_SDeCNN开始训练HSI-SDeCNN-train3：用于训练高斯+脉冲，运行文件Demo_training_

原创 每日一篇论文推荐

每日一篇论文推荐

原创 CVPR 2022 图像恢复论文

CVPR 2022

转载 垃圾+虚假会议大全https://waset.org/conferences，千万别投

这个垃圾网站上面的会议全是假的！！！千万别投！！！https://waset.org/conferences这个垃圾网站上面的会议全是假的！！！千万别投！！！https://waset.org/conferences这个垃圾网站上面的会议全是假的！！！千万别投！！！https://waset.org/conferences

原创 JIEMI人体美化技术-职业重要

AI技术在快手人像美化中的应用地址：https://app6ca5octe2206.pc.xiaoe-tech.com/detail/v_6221b726e4b02b825850f9f6/3AI美化难点：手淘场景下的人脸AR美颜技术火山引擎AI人体人像美化技术最佳实践46:41...

原创 研究生投稿被拒经历

2021.7.25 投稿IEEE JSTARS2021.7.27 被拒（查重率不过）2021.9.7 投稿Remote Sensing赠刊12021.9.10 被拒（创新度不够）2021.9.10 投稿Remote Sensing赠刊22021.9.13 被拒（创新度不够）2021.9.7 投稿Machine Vision and Applications2021.10.16 被拒（不适合）2021.11.1 投稿Multimedia Tools and Applications2022.

原创 中兴捧月算法挑战赛-RAW夜景图像去噪总结

中兴捧月算法挑战赛-图像去噪

原创 论文笔记：NAFNet: Simple Baselines for Image Restoration

引言代码github.com/megvii-research/NAFNet

原创 论文笔记：MPRNet: Multi-Stage Progressive Image Restoration

MPRNet: Multi-Stage Progressive Image Restoration

原创 论文速读之SUNet、MAXIM、Restormer、MIRNet、SwinIR、HINet、MPRNet、CSRNet

论文速读之Restormer、MIRNet、SwinIR、HINet、MPRNet、CSRNet

原创 2021年度必看的图像去噪论文

Restormer: Efficient Transformer for High-Resolution Image Restoration HINet: Half Instance Normalization Network for Image Restoration Uformer: A General U-Shaped Transformer for Image Restoration Multi-Stage Progressive Image Restoration NBNet: Noi..

原创 MLNLP第三次研讨会笔记

拿什么拯救你的论文——挂一漏万谈论文写作一些LaTeX的基本操作更多参见Slide吧，见公众号MLNLP科研中的苦与乐算法岗求职经验太难了……4

原创 求助Latex标题如何加粗？

latex的section标题为宋体加粗，一直无法加粗，加了bfseries也没用：\titleformat{\section}{xiaosan\song\bfseries}{\thesection}{1em}{}

原创 2022计划（尽量实现一半吧哈哈哈）

见企鹅爸妈 带企鹅见爸妈 找到更好的工作(广州) 顺利毕业 论文审稿通过 投一篇会议论文 打一场kaggle比赛 精通PyTorch 学会C++和OpenCV 学习做菜，做点企鹅喜欢吃的 实现财富自由，年底收入达**w......

原创 论文A Graph-Regularized Non-local Hyperspectral Image Denoising Method公式求助

论文A Graph-Regularized Non-local Hyperspectral Image Denoising Method公式求助

原创 论文笔记45：Model-Guided Deep Hyperspectral Image Super-resolution

我们提出了一种基于深度HSI去噪器的迭代高光谱图像超分辨率（HSISR）算法，以利用领域知识可能性和深度图像先验。通过在端到端优化过程中考虑HSI的观测矩阵，我们展示了如何将迭代HSISR算法展开为一个新的模型引导深度卷积网络（MoG-DCN）。通过子网表示观测矩阵还允许展开的深度HSISR网络处理不同的HSI情况，这增强了MoG-DCN的灵活性。

原创 深度学习在高光谱图像去噪中的论文大全-一直更新

2017：Hyperspectral imagery denoising by deep learning with trainable nonlinearity function2018：Hyperspectral image denoising employing a spatial–spectral deep residual convolutional neural networkHSI-DeNet: Hyperspectral image restoration via convol

原创 论文笔记44：ICCV2021-Hyperspectral Image Denoising with Realistic Data-新的数据集和噪声模型

在本文中，我们主要研究如何生成真实的数据集来学习和评估HSI去噪网络。一方面，我们收集一对真实HSI去噪数据集，该数据集由短曝光噪声HSI和相应的长曝光干净HSI组成。另一方面，我们提出了一个精确的HSI噪声模型，该模型能够很好地匹配真实数据的分布，并可用于合成真实数据集。在噪声模型的基础上，提出了一种标定给定高光谱相机噪声参数的方法。大量的实验结果表明，仅使用我们的噪声模型生成的合成数据学习的网络性能与使用成对真实数据学习的网络性能相同。

原创 LaTeX排版小工具

AxMath：公式不会的时候找latex命令mathpix：截图转公式，一个月100次https://www.tablesgenerator.com/：插入表格谷歌学术：插入参考文献snipaste：截图贴桌面ditto：多记忆粘贴Adobe Acrobat DC：编辑与插入pdf图片（矢量图）LaTeX模板：https://www.latexstudio.net/category/tex-academic-journals.html...

原创 CVPR、ICCV、NeurIPS 2021；WACV、AAAI、CVPR2022-去噪系列文章

Noise2Score: Tweedie’s Approach to Self-Supervised Image Denoising without Clean Images Unfolding Taylor’s Approximations for Image Restoration Functional Neural Networks for Parametric Image Restoration Problems A Trainable Spectral-Spatial Sparse Co..

原创 NeurIPS 2021、ICLR 2022 Uncertainty Quantification 论文

Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification Uncertainty Quantification and Deep Ensembles Beyond Pinball Loss: Quantile Methods for Calibrated Uncertainty Quantification BayesIMP: Uncertainty Quantification for Causa..

原创 论文笔记43：LRNet: Low-Rank Spatial-Spectral Network for Hyperspectral Image Denoising

通过将低秩物理特性集成到深度卷积神经网络中，所提出的LRNe同时具有DCNN的强大特征表示能力和干净HSI的隐式物理约束。首先，构建空间光谱空洞块（SSABs）以利用HSI的空间光谱特征。其次，这些空间光谱特征被转发到一个多空洞块（MAB），以聚合不同感受野中的上下文。第三，将不同层次的上下文特征和空间光谱特征串联起来，然后送入即插即用低秩模块（LRM）进行特征重构。在LRM的帮助下，低秩矩阵重构的工作流程可以以可微的方式简化。最后，利用低秩特征捕获HSI的潜在语义关系，恢复干净的HSI。

原创 李沐动手学深度学习代码问题求解

在欠拟合和过拟合一节中，原封不动把代码搬过来，却报错了import mathimport numpy as npimport torchfrom torch import nnfrom d2l import torch as d2lmax_degree = 20n_train, n_test = 100, 100true_w = np.zeros(max_degree)true_w[0:4] = np.array([5, 1.2, -3.4, 5.6])features = np.r

原创 centos安装matlab-巨多坑！

挂载sudo mkdir -p /mntsudo mount -t iso9660 -o loop R2020b_Linux.iso /mnt或解压：把/home目录下面的mydata.zip解压到mydatabak目录里面unzip mydata.zip -d mydatabak复制（可能不需要）sudo mkdir -p /matlab1cd /mntsudo cp -R * /matlab1sudo umount /mnt取消挂载失败：umount: /mnt: target i

原创 论文笔记38：SA-Net: Shuffle Attention for Deep Convolutional Neural Networks(考虑引进论文)

SA首先将通道维数分组为多个子特征，然后并行处理它们。然后，对于每个子特征，SA利用一个Shuffle单元来描述空间和通道维度上的特征相关性。之后，所有子特征被聚集，并且采用“通道shuffle”算子来实现不同子特征之间的信息通信。

原创 论文笔记35：3DADNet: Hyperspectral Image Denoising Using a 3-D Attention Denoising Network

我们设计了两个并行的分支来分别处理空间和光谱信息。位置注意力模块应用于空间分支，以在特征映射上形成相互依赖性，而通道注意力模块应用于光谱分支，以在两个分支组合之前模拟光谱相关性。在融合空间和光谱信息后，多尺度结构也被用来提取和融合多尺度特征。

原创 论文笔记9：HSI-DeNet: Hyperspectral Image Restoration via Convolutional Neural Network

我们基于CNN的HSI去噪方法相对于以前的方法有三个优点。首先，通过直接学习每层中的滤波器而不破坏光谱空间结构，所提出的HSI-DeNet可以被视为基于张量的方法。第二，HSI-DeNet可以同时适应HSI中的各种噪声。此外，我们的方法通过稍微修改第一层和最后一层中的过滤器的通道，对于单个图像和多个图像都是灵活的。最后但同样重要的是，我们的方法在测试阶段非常快，这使得它在实际应用中更加实用。所提出的HSI-DeNet在几个HSI上进行了广泛的评估，在速度和性能方面都优于最先进的HSI-DeNet。

原创 高光谱团队(排序不分先后)

高光谱团队

原创 论文笔记34：A New Multiscale Residual Learning Network for HSI Inconsistent Noise Removal

A New Multiscale Residual Learning Networkfor HSI Inconsistent Noise Removal

原创 Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior

为了去除HSIs中的混合噪声，我们提出了空间光谱约束的深度图像先验(S2DIP)，它同时以无监督的方式利用了CNN的高模型表示能力，并且不需要任何额外的训练数据。具体来说，我们使用可分离的3D卷积块在DIP框架中编码HSI，并且定制空间光谱全变分(SSTV)项来探索HSI的空间光谱平滑性。此外，我们的方法很好地解决了流行的无监督方法的半收敛行为，例如，DIP 2D和DIP 3D。

原创 论文笔记30：Hyperspectral image restoration via CNN denoiser prior regularized low-rank tensor recovery

本文针对HSIs恢复任务，首先研究了传统物理恢复模型和去噪卷积神经网络的优点。对于HSIs的物理先验，基于Tucker分解的低秩张量近似可以充分探索空间域和光谱域的全局相关性。对于隐含先验，基于CNN的方法可以表示数学理论工具无法设计的先验。然后，结合这两种方法的优点，在灵活、可扩展的即插即用框架中引入了基于低秩张量近似的正则化的HSI恢复CNN。该模型可以用ADMM快速求解。

原创 论文笔记29：Hyperspectral Image Denoising Using SURE-Based Unsupervised Convolutional Neural Networks

该方法基于无监督的CNN和SURE。该方法与现有的监督学习方法的主要区别在于，基于SURE的损失函数只能从噪声数据中计算。因为SURE是估计量的MSE的无偏估计，所以使用SURE损失训练CNN可以产生与在监督学习中使用具有GT的MSE相似的结果。此外，还提出了一种子空间版本的SURE-CNN来减少运行时间。

原创 论文笔记28：Hyperspectral Image Denoising via Matrix Factorization and Deep Prior Regularization

本文提出了一种去除混合高斯脉冲噪声的HSI去噪框架，将去噪问题建模为卷积神经网络约束的非负矩阵分解问题。使用邻近(proximal)交替线性最小化，优化可以分为三个步骤：更新光谱矩阵，更新丰度矩阵和估计稀疏噪声。然后，我们设计了CNN的体系结构，并提出了两种训练方案，使得CNN可以用2D图像数据集进行训练。