weixin_46515047的博客

目录主要贡献背景创新点1（网络结构）创新点2（TP Interpreter）创新点3（TSC）实验结果结论2022年CVPR拟接收的文本图像超分辨重建。论文：Ma J, Liang Z, Zhang L. A Text Attention Network for Spatial Deformation Robust Scene Text Image Super-resolution[J]. arXiv preprint arXiv:2203.09388, 2022.代码地址：https://githu

目录论文主要贡献背景创新点一、SR-RAW数据集创新点二、CoBi损失函数结果结论论文Zhang X, Chen Q, Ng R, et al. Zoom to learn, learn to zoom[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 3762-3770.主要贡献构建了HR-LR真实数据对，提出SR-RAW数据集；引入CoBi损失，解决真实数据

对超分有兴趣的同学们可直接关注微信公众号，这个号的定位就是针对图像超分辨的，会不断更新最新的超分算法解读。目录重点提要数据集网络结构1. Pixel-Wise Supervision Module1.1. STN1.2. TBSRN-n1.3. Pixel shuffle2. Position-Aware Module3. Content-Aware Module损失函数结语正文开始论文：Scene Text Telescope: Text-Focused Scene Image Super-Res

目录重点提要数据集网络结构文字先验（TP）网络结构多级策略损失函数实验结果论文：Text Prior Guided Scene Text Image Super-resolution参考：TPGSR文字图像超分辨网络TSRN文字超分辨网络ASTER.pytorchCRNN.pytorchMORAN_v2GAN（Generative Adversarial Nets）生成对抗网络-详细分析这篇文章提出了在生成网络中加入一些文字先验知识（TP，由CRNN提取得到）来提升文字图像SR的效果，

目录创新点重点提要数据集构建网络结构实验数据论文：Real-ESRGAN: TrainingReal-World Blind Super-Resolution with Pure Synthetic Data参考：Real-ESRGAN超分辨网络Xintao Wang 2021年7月新出炉的一篇文章，大家最近都在用他的ESRGAN做backbone发文章，大哥估计看不下去了，自己来了一篇。创新点提出了新的构建数据集的方法，用高阶处理，增强降阶图像的复杂度。构造数据集时引入sinc filter，

论文：Scene Text Image Super-Resolution in the Wild参考：TSRN超分辨网络重点提要目标：针对文字图像做超分辨率提升，以提高文字识别的精度。数据集：TextZoom。用双机位，在不同焦距的情况下拍摄得到的真实HR-LR图像对。方法创新点：图像中心对齐模块、序列残差模块、梯度损失模块。对比超分方法：BICUBIC、SRCNN、VDSR、SRResNet、RRDB、EDSR、RDN、LapSRN。衡量标准：在CRNN、ASTER、MORAN三种文字识别网

论文:Frequency Separation for Real-World Super-Resolution参考:FSSR超分辨网络2019年的文章，Real-SR的先驱，具有启蒙作用；2019AIM比赛winner。重点摘要**目的:**解决真实场景下图像的超分问题。**核心:**作者在制作数据集和生成超分辨图像两个部分，均将一副图像拆分成低频和高频两个部分进行考虑；制作更真实的训练数据集；考虑了自然图像的性质；**数据集的构建：**通过提出的DSGAN，用生成对抗网络生成更真实的数据集。训

目录重点提要退化模型的构建论文：Designing a Practical Degradation Model for Deep Blind Image Super-Resolution参考：BSRGAN超分辨网络2021年新出炉的文章，张凯大哥等人写的。重点提要这篇文章的目的是：构建一个能够实际应用的超分模型；核心议题：如何构建一个实际的图像降级模型；超分网络backbone：ESRGAN；主要对比方法是：2019年的模型FSSR、2020年的模型Real-SR；图像质量评价指标：有参：

目录前言预训练元学习元测试总结参考：前言这是20年新出炉的超分文章，算是别人推荐给我的。这篇文章的干货还是有的。他使用了3种方法的融合。分别是：cnn在DIV2K上提取外部一般性特征。元学习，学习各种模糊核下的参数。元测试，通过借鉴ZSSR，利用‘one-shot’进一步完成学习，并在学习完成后立即开始测试。作者的初衷是，以往的学习仅学习到了外部数据集的特征，而ZSSR又仅学习到了内部数据的特征，所以作者大胆提出同时学习外部和内部的特征，这同时也是监督学习和无监督学习的结合。预训练作

Contents1 Introduction2 Related Work3 Proposed Methods3.1 Network Architecture3.2 Relativistic Discriminator3.3 Perceptual Loss3.4 Network Interpolation4 Experiments4.1 Training Details4.2 Qualitative Results4.3 Ablation Study4.4 Network Interpolation4.5

Contents1. IntroductionReferences1. IntroductionReferencesSRDenseNet超分辨网络-详细分析

Contents1. IntroductionReferences1. Introduction这篇文章可以在一定程度上看做是DRCN的改良版，保留了DRCN的全局跳层连接和循环块提升网络深度但限制参数量的思想，增加了ResNet的局部跳层连接的思想。这里提一下，如果本文中有些概念读者看的不太清晰，可以参考本专栏之前的文章，因为有些知识之前提过了，这里就一笔带过了，我们只列出本篇文章的一些创新点，而对冗余部分不多做说明。另外说一下，这个专栏目前的定位是以SISR为主题的，今后可能会引入其他low-l

Contents1. Introduction2. Related Work3. Fast Super-Resolution by CNN3.1 SRCNN3.2 FSRCNN3.3 Differences against SRCNN: From SRCNN to FSRCNN3.4 SR for Different Upscaling Factors4. Experiments4.1 Implementation Details4.2 Investigation of Different Setting

Contents1. Introduction2. Related Work2.1. Single-Image Super-Resolution2.2. Recursive Neural Network in Computer Vision3. Proposed Method3.1. Basic Model3.2. Advanced Model3.3. Training4. Experimental Results4.1. Datasets4.2. Training Setup4.3. Study of D

ContentsReferences这是一篇19年的文章，成文于2018，所以包含了2018及之前的超分网络汇总。文章结构如下：ReferencesA Brief Review: Deep Learning for SISR 分析Deep Learning for Single Image Super-Resolution: A Brief Review...

详细推导gan网络

对VDSR文章的剖析，小白小白

使用GAN网络生成super resolution image，然后通过ASTER进行文本识别。