最新论文阅读（35）--Single Image Super-Resolution via Cascaded Multi-Scale Cross Network

最新推荐文章于 2025-02-07 20:36:49 发布
原创 最新推荐文章于 2025-02-07 20:36:49 发布 · 1.1k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。

提出了一种级联多尺度交叉网络(CMSC)，通过级联子网络以粗到细方式推断高分辨率特征。每个子网包含多尺度交叉模块，并引入残差特征学习。

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

Single Image Super-Resolution via Cascaded Multi-Scale Cross Network

- 2018年2月
- 单幅图像的超分辨率；级联+残差网络
- IEEE成员(中国人)

　　提出了一个级联多尺度交叉网络（CMSC），其中一系列子网络级联以便以粗到细的方式推断高分辨率特征。在每个级联子网中，我们将多个多尺度交叉（MSC）模块堆叠起来，同时，通过在每个阶段引入残差特征学习。

业界领先的CNN

这里写图片描述

基于全局密集特征融合卷积网络的单图像超分辨率(Single Image Super-Resolution Based on GlobalDense Feature Fusion Convoluti)
qq_40107571的博客
11-14 689
基于全局密集特征融合卷积网络的单图像超分辨率(Single Image Super-Resolution Based on GlobalDense Feature Fusion Convoluti)
CVPR2023中super-resolution相关的文章
qq_20777119的博客
05-08 982
1 Activating More Pixels in Image Super-Resolution Transformer pytorch 混合注意力transformer，刷PSNR 2 N-Gram in Swin Transformers for Efficient Lightweight Image Super-Resolution pytorch transformer，轻量化 3 Omni Aggregation Networks for Li
Single Image Super-Resolution via Cascaded Multi-Scale Cross Network
qq_34049103的博客
10-20 453
本文章说明通过增加网络宽度可能有利于图像信息集成，
超分：Single Image Super-Resolution via a Holistic Attention Network
wrongplanet的博客
04-01 3015
超分：Single Image Super-Resolution via a Holistic Attention Network超分：Single Image Super-Resolution via a Holistic Attention Network摘要主要亮点HAN网络架构1.网络组成2.读入数据总结新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义
【图像超分辨率】Single image super-resolution using multi-scale feature enhancement attention residual net
qq_41807261的博客
03-16 922
本文实现了浅层CNN和深层CNN的集合，并提出了多尺度特征提取和关注块（MSFEAAB），以更好地同时从LR图像中提取低频和高频信息。为了抑制由于解卷积层导致的棋盘问题，采用像素解卷积来对特征图进行升标。 提出了一个多尺度特征提取和注意力块（MSFEAAB），包括三个主要步骤。(一)特征提取，(二)向上缩放，(三)图像重建。在特征提取步骤中，采用多尺度特征提取后的注意力模块，以更高效地学习卷积滤波器。 在特征提取模块中，关键问题之一是用于卷积核的接受场的大小。小尺寸的核对提取低频成分有帮助，而，大尺寸的核
Multi-scale Attention Network for Single Image Super-Resolution（CVPR 2024）
weixin_51732791的博客
08-25 1225
针对ConvNets在图像超分辨率任务中表现不如Transformer的问题，提出了多尺度大核注意力（MLKA）和门控空间注意力单元（GSAU）两种方法。通过结合多尺度、门控机制和空间注意力，这些方法显著增强了ConvNets的模型表示能力，并成功应用于构建多尺度注意力网络（MAN），从而在图像超分辨率任务中实现了与Transformer相媲美的性能。
Pyramid With Super Resolution for In-The-Wild Facial Expression Recognition
qq_45786703的博客
02-20 1756
论文翻译摘要一、介绍新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 摘要 人脸表情识别是提高自然人机交互的一项具有挑战性的任务。本文主要研究的是一张在野外(ITW)图像上的自动表情识别。ITW图像在姿态、方向和输入分辨率方
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
MM2018/风格迁移-Style Separation and Synthesis via Generative Adversarial Networks通过生成性对抗网络进行风格分离和合成
ssshyeong的博客
04-15 648
在本文中，我们提出了风格分离和合成生成对抗网络（S3-GAN），以同时实现特定类别的对象照片的风格分离和风格合成。基于目标照片位于流形上，且内容和样式独立的假设，我们使用S3-GAN在流形和潜在向量空间之间建立映射，以分离和合成内容和样式。S3-GAN由编码器网络、生成器网络和对抗网络组成。
Super-Resolution from a Single Image算法原理整理_思维导图.pdf
06-02
Super-Resolution from a Single Image算法原理整理_思维导图 https://blog.youkuaiyun.com/Lininggggggg/article/details/106499469
Single Image Super-Resolution
11-25
Single Image Super-Resolution 参 考 论 文 SRCNN原文
GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing(ICCV2019)
change_lkl的博客
10-04 1849
无
论文阅读：Single image super-resolution based on directional variance attention network
最新发布
xrw13247878378的博客
02-07 948
近期在单图像超分辨率（SISR）领域的进展探索了深度卷积神经网络（CNNs）以实现更好的性能。然而，大多数进展都是通过扩展CNN架构来实现的，这通常会增加计算需求和内存消耗。这使得现代架构在实际应用中不太可行。此外，大多数基于CNN的SR方法没有充分利用有助于最终图像恢复的信息层次特征。为了解决这些问题，我们提出了一种方向方差注意力网络（DiVANet），这是一种计算效率高但精确的SISR网络。
图像超分：HAN（Single Image Super-Resolution via a Holistic Attention Network）
WangsyHebut的博客
12-30 6882
论文：Single Image Super-Resolution via a Holistic Attention Network 文章检索出处：2020 ECCV通道注意已被证明在每一层能有效的保存丰富的特征信息。然而，它将每个卷积层试做一个单独的过程，忽略了不同层之间的联系。为了解决这一问题，本文提出了整体注意网络（HAN），主要贡献如下： 1）引入了一个层注意模块（LAM），通过考虑层间相关性来学习不同层特征的权重。同时，提出了通道空间注意模块（CSAM）来学习各层特征的通道和空间相关性。 2）提出的
【图像超分】论文精读：Single Image Super-Resolution via a Holistic Attention Network（HAN）
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】
04-20 1719
信息特征在单图像超分辨率任务中起着至关重要的作用。通道注意力已被证明可以有效地保留每一层的信息丰富特征。然而，通道注意力将每个卷积层视为一个单独的过程，该过程错过了不同层的相关性。为了解决这个问题，我们提出了一种新的整体注意力网络（HAN），它由一个层注意模块（LAM）和一个通道空间注意模块（CSAM）组成，用于对层、通道和位置之间的整体相互依赖关系进行建模。具体来说，所提出的 LAM 通过考虑层之间的相关性自适应地强调层次特征。同时，CSAM 学习每个通道所有位置的置信度，以选择性地捕获更多信息特征。大量
论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network...
a1424262219的博客
10-23 280
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...
【图像超分辨率】Satellite Image Super-Resolution via Multi-Scale Residual Deep Neural Network
qq_41807261的博客
12-08 1798
摘要：近来，卫星遥感图像的应用越来越普遍，但卫星传感器观测到的图像往往是低分辨率的，因此不能完全满足物体识别和分析的要求。因此，它们不能完全满足物体识别和分析的要求。为了充分利用遥感图像中物体的多尺度特征（multi-scale），本文提出了一种多尺度残差神经网络（MRNN）。MRNN采用卫星图像的多尺度特性，对超分辨率(SR)卫星图像准确重建高频信息。从超分辨率卫星图像中提取不同尺寸的块（patch），以适应不同尺度的物体。大、中、小尺度的深度残差神经网络被设计为模拟不同大小的感受野，以获取相对的全局、上
ICCV 2023 超分辨率（Super-Resolution）论文汇总
不要给自己设限，尝试更多可能（思所向 皆可往）
03-07 4571
1. McASSR | Rethinking Multi-Contrast MRI Super-Resolution: Rectangle-Window Cross-Attention Transformer and Arbitrary-Scale Upsampling（浙大）1. LMR: A Large-Scale Multi-Reference Dataset for Reference-Based Super-Resolution（自动化所 张兆翔团队，百度）
使用opencv-facecrop包实现图片中人脸的自动检测与裁剪
opencv-facecrop软件包很可能基于OpenCV中的一些面部检测算法实现，如Haar级联分类器、LBP（Local Binary Pattern）或深度学习方法如SSD（Single Shot MultiBox Detector）、MTCNN（Multi-task Cascaded ...
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