【图像超分辨率重建】——HAN论文精读笔记

最新推荐文章于 2025-04-23 14:13:57 发布
原创 最新推荐文章于 2025-04-23 14:13:57 发布 · 1.7k 阅读 · 18 ·
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。
文章标签：

#超分辨率重建 #计算机视觉 #深度学习

提出一种新的单图像超分辨率算法HAN，通过层注意模块(LAM)和通道-空间注意模块(CSAM)增强特征表达，有效捕捉不同深度、通道及位置间的全局相关性。

2020-Single Image Super-Resolution via a Holistic Attention Network(HAN)

基本信息

作者： Ben Niu; Weilei Wen; Wenqi Ren, Xiangde Zhang, Lianping Yang;Shuzhen Wang, Kaihao Zhang, Xiaochun Cao, and Haifeng Shen
期刊： ECCV2020
引用： *
摘要： 信息性特征在单幅图像的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的特征。然而，通道注意将每个卷积层作为一个单独的过程，而忽略了不同层之间的关联性。为了解决这个问题，我们提出了一个新的整体注意网络（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，用来模拟层、通道和位置之间的整体相互依赖关系。特别是，拟议的LAM通过考虑各层之间的相关性，自适应地强调层次特征。同时，CSAM学习每个通道的所有位置的条件，以选择性地捕获更多的信息特征。广泛的实验表明，所提出的HAN与最先进的单幅图像超分辨率方法相比，表现得很好。

1.简介

基于CNN的方法主要归功于两个方面
非常深的层的网络：有更大的接受域，具有能力来学习LR输入和HR对应之间的复杂映射关系
残差学习：SR网络的深度会越来越深，因为残差学习可以有效地缓解梯度消失和爆炸的问题

  • 目前超分存在的问题：但是由于现有的大多数基于CNN的SR方

最低0.47元/天 解锁文章
【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 1810
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
【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
热门推荐
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】
03-25 3万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
超分辨率matlab代码-HAN:我们的ECCV2020论文“通过整体注意力网络实现单图像超分辨率”的PyTorch代码
05-26
超分辨率matlab代码韩 我们的ECCV 2020论文“通过整体注意力网络实现单图像超分辨率”的PyTorch代码 该存储库适用于以下论文中介绍的HAN 张玉伦，李坤鹏，李凯，王丽晨，钟斌能和付云，“通过整体注意力网络实现单图像超分辨率”，ECCV 2020， 该代码基于RCAN（PyTorch）构建并在具有Titan X / 1080Ti / Xp GPU的Ubuntu 16.04 / 18.04环境（Python3.6，PyTorch_0.4.0，CUDA8.0，cuDNN5.1）上进行了测试。 内容 介绍 信息功能在单图像超分辨率任务中起着至关重要的作用。 事实证明，渠道关注对于保留每一层中信息量丰富的功能是有效的。 但是，频道注意力将每个卷积层视为一个单独的过程，从而错过了不同层之间的相关性。 为了解决这个问题，我们提出了一个新的整体注意网络（HAN），该网络由一个图层注意模块（LAM）和一个通道空间注意模块（CSAM）组成，以对图层，通道和位置之间的整体相互依赖性进行建模。 具体地，提出的LAM通过考虑各层之间的相关性来自适应地强调分层特征。 同时，CSAM学习每个通道所有
【图像超分辨率重建】——SRGAN/SRResNet论文精读笔记
Sunny_Coder的博客
11-10 7045
SR的不是适定性导致SR图像缺乏纹理细节，有监督的SR算法的优化目标通常是最小化恢复的HR图像和地面真实之间的平均平方误差（MSE）。这很方便，因为最小化MSE也能使峰值信噪比（PSNR）最大化，而峰值信噪比是用来评估和比较SR算法的一个常用指标。然而，MSE（和PSNR）捕捉感知上相关差异的能力是非常有限的，比如高纹理细节，因为它们是基于像素级的图像差异来定义的。最高的PSNR并不一定反映出感知上更好的SR结果。
图像超分：HAN（Single Image Super-Resolution via a Holistic Attention Network）
WangsyHebut的博客
12-30 7086
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
HAN论文笔记
qq_42791848的博客
01-10 739
Hierarchical Attention Network 《Hierarchical Attention Network》一文提出了一种层次化的注意力网络。在Seq2Seq里的注意力机制，我们其实做的是word-level的attention，而这篇文章的亮点在于它提出双层attention，即word-level和token-level。 Model Structure 整个HAN其实主要包含三大部分： Word Encoder Word-level Attention Sentence-level
【图像超分辨率重建】——HAT论文精读笔记
Sunny_Coder的博客
12-28 9959
【图像超分辨率重建】——HAT论文精读笔记
【图像超分】论文精读：Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network（CARN）
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】
05-25 1461
近年来，深度学习方法已成功应用于单图像超分辨率任务。尽管深度学习方法具有出色的性能，但由于计算量大，不能轻易应用于实际应用。在本文中，我们通过提出一种精确、轻量级的图像超分辨率深度网络来解决这个问题。具体来说，我们设计了一种在残差网络上实现级联机制的架构。我们还提出了所提出的级联残差网络的变体模型，以进一步提高效率。我们广泛的实验表明，即使参数和操作要少得多，我们的模型也实现了与最先进方法相当的性能。
【图像恢复】论文精读：MaIR: A Locality- and Continuity-Preserving Mamba for Image Restoration
最新发布
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】
04-23 796
论文题目：MaIR: A Locality- and Continuity-Preserving Mamba for Image Restoration —— MaIR：用于图像恢复的局部性和连续性保持 MambaCVPR 2025！Mamba的最新进展在图像恢复方面显示出有希望的结果。这些方法通常将 2D 图像展平为沿行和列的多个不同的 1D 序列，使用选择性扫描操作独立处理每个序列，并将它们重新组合以形成输出。
探索图像超分辨率的未来：Holistic Attention Network（HAN）
gitblog_00036的博客
06-05 539
探索图像超分辨率的未来：Holistic Attention Network（HAN） 项目介绍 在计算机视觉领域，单张图像的超分辨率是一项挑战性的任务，旨在提高低分辨率图像的清晰度和细节。HAN，全称为Holistic Attention Network，是2020年ECCV会议上提出的一种创新方法，它的目标是通过综合考虑层、通道和位置之间的相互依赖关系来提升图像的恢复质量。该项目的实现基于Py...
【图像超分辨率重建】——HAN论文阅读笔记
weixin_52143654的博客
04-25 1908
HAN论文阅读笔记
【图像超分辨率重建】——SAN论文精读笔记
Sunny_Coder的博客
12-27 2413
近年来，深度卷积神经网络（CNN）在单图像超分辨率（SISR）中得到了广泛的研究，并取得了显著的性能。然而，大多数现有的基于CNN的SISR方法主要侧重于更广泛或更深入的架构设计，而忽略了中间层的特征相关性，因此阻碍了CNN的代表能力。为了解决这个问题，在本文中，我们**提出了一种二阶注意力网络（SAN），用于更强大的特征表达和特征相关性学习。具体而言，开发了一种新的可训练二阶信道注意（SOCA）模块，通过使用二阶特征统计来自适应地重新调整信道方向特征，以获得更具鉴别性的表示。此外，我们提出了一种非局部增强
HAN论文阅读与代码详解
qq_45678095的博客
08-10 2228
HAN论文阅读与代码详解
【论文笔记】HAN
zzy979481894的博客
09-16 3057
Heterogeneous Graph Attention Network 2019 WWW 论文链接：https://arxiv.org/pdf/1903.07293 代码： 官方代码：https://github.com/Jhy1993/HAN DGL实现：https://github.com/dmlc/dgl/tree/master/examples/pytorch/han 个人实现：https://github.com/ZZy979/pytorch-tutorial/tree/master/gnn
【论文解读 WWW 2019 | HAN】Heterogeneous Graph Attention Network
byn12345的博客
03-20 7661
论文题目：Heterogeneous Graph Attention Network 论文来源：WWW 2019 论文链接：https://arxiv.org/abs/1903.07293v1 代码链接：https://github.com/Jhy1993/HAN 关键词：社交网络, 神经网络, 图分析, 注意力机制(Attention) 文章目录1 摘要2 引言3 定义4 HAN模型4.1 ...
HAN
Torero_lch的博客
09-10 2899
NAACL2016论文Hierarchical Attention Network for Document Classification利用分层的注意力机制来构建文本表示向量并用于分类任务，效果很好，作者个人主页http://www.cs.cmu.edu/~zichaoy/。 HAN模型就是分层次的利用注意力机制来构建文本向量表示的方法。 文本由句子构成，句子由词构成，HAN模型对应这个结构...
推荐文章：探索图像超分辨率新境界 —— HAN 全面解析
gitblog_00675的博客
09-09 495
推荐文章：探索图像超分辨率新境界 —— HAN 全面解析 在追求极致视觉体验的今天，单张图像超级分辨率（Single Image Super-Resolution, SISR）技术成为了一道亮丽的风景线。本文将带您深入了解一个创新的开源项目——HAN（Holistic Attention Network），该技术通过其独特的注意力机制，在ECCV 2020上大放异彩。 项目介绍 HAN，作为论文《...
HAN论文模型代码复现与重构
对LLM，AI应用有深厚兴趣，研究方向NLP。connect me by DeSaintamore_
03-17 5511
论文简介 本文主要介绍CMU在2016年发表在ACL的一篇论文：Hierarchical Attention Networks for Document Classification及其代码复现。 该论文是用于文档级情感分类（document-level sentiment classification）的，其模型架构如下：
稀疏表示技术在二维条形码图像超分辨率重建中的应用
这种方法利用了稀疏表示理论，使得在低分辨率图像中找到的信息可以准确地映射到高分辨率图像上，从而实现图像的精细重构。 此外，文章还采用了全局优化策略来处理图像的非局部相似性，确保在整个图像中保持一致性。...
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