超分辨率重构论文集合

《Detection of Tea Leaf Blight in Low-Resolution UAV Remote Sensing Images》

  • 发表信息:发表于《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》2024 年,作者 Gensheng Hu 等,来自安徽大学等。
  • 核心内容
    • 背景:茶叶枯萎病检测重要,现有方法对低分辨率无人机图像检测效果差。
    • 方法:两阶段网络,RFBDB - GAN 恢复图像细节,LWDNet 检测病害。
    • 网络
      • RFBDB - GAN:生成器和判别器结构改进,联合损失训练,改进 RFB。
      • LWDNet:基于 YOLOv5s,改进特征提取和融合,用 SIoU 损失。
  • 创新点:结合多种技术优势,改进网络结构提升性能。

《Noise-Free Optimization in Early Training Steps for Image Super-resolution》

  • 发表信息:发表于 AAAI 2024,作者为 MinKyu Lee、Jae-Pil Heo 等,来自韩国成均馆大学。
  • 核心内容:分析超分辨率中 vanilla 训练的组成部分,将原始损失函数分解为质心和噪声项。指出当前训练方案忽略超分辨率不适定性,导致训练不稳定。提出通过估计质心获无噪声下界以改进训练,还提供克服估计误差的方法,通过平滑过渡在早期受益于稳定训练,后期最小化近似误差。
  • 创新点:提出基于质心估计的无噪声优化方法,改善超分辨率训练稳定性和性能。
  • 研究贡献:为超分辨率训练提供新理解和改进方法,有助于提高模型性能和训练稳定性。
  • 代码:2minkyulee/noise-free-optimization-in-early-training-steps-for-image-super-resolution: [AAAI2024] 图像超分辨率早期训练步骤中无噪声优化的官方存储库 (github.com)

《Learning a Deep Convolutional Network for Image Super-Resolution》(SRCNN)

  • 发表信息:发表于 ECCV 2014,由香港中文大学的 Chao Dong 等人提出,是深度学习应用在超分辨率重构上的开山之作。
  • 核心内容:首次使用深度学习(CNN)来进行图像超分辨率重建。该算法的网络结构相对简单,只有三层卷积层,分别对应图像块的提取与表达、非线性映射和重建这三个步骤。它将基于样例学习的方法转化为卷积的形式,并且所有参数可以在训练过程中一起得到优化,是一种端到端的学习过程。
  • 意义与影响:为后续基于深度学习的超分辨率重建算法奠定了基础,让研究人员看到了深度学习在超分辨率重建领域的巨大潜力,引发了大量相关研究。
  • 代码:实现代码可在Learning a Deep Convolutional Network for Image Super-Resolution获取。训练使用 cuda-convnet 包实现。

《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》(SRGAN)

 

  • 发表信息:发表于 arXiv:1609.04802v5 [cs.CV] 2017 年 5 月 25 日,由 Christian Ledig、Lucas Theis 等人提出。
  • 核心内容:提出了用于图像超分辨率(SR)的生成对抗网络(GAN)SRGAN。采用深度残差网络(ResNet)和跳连接,感知损失函数由对抗损失和内容损失组成。对抗损失通过训练的判别器网络促使解决方案接近自然图像流形,内容损失基于 VGG 网络的特征图计算,更关注感知相似性而非像素空间相似性。
  • 意义与影响:在高放大倍数(4×)的图像超分辨率任务中取得了新的先进水平,通过大量的平均意见得分(MOS)测试证实了 SRGAN 在感知质量上的优势,为图像超分辨率领域提供了新的方法和思路,推动了 GAN 在图像超分辨率等计算机视觉任务中的应用和发展。
  • 代码:代码可在https://twitter.box.com/s/lcue6vlrd01ljkdtdkhmfvk7vtjhetog获取。基于 Theano 和 Lasagne 实现,训练使用 NVIDIA Tesla M40 GPU,使用 Adam 优化器进行训练。

《Accurate Image Super-Resolution Using Very Deep Convolutional Networks》(VDSR)

  • 发表信息:发表于 CVPR 2016,由韩国科学技术院的 Jiwon Kim 等人提出。
  • 核心内容:使用了非常深的神经网络模型进行超分辨率预测,并结合残差学习来加速模型的训练。通过带 padding 形式的卷积,使得输入与输出的尺寸保持一致,增加了模型的灵活性和可变性。该方法在多个超分倍数上都取得了较好的效果,并且相比其他方法在速度和效果上有一定优势。
  • 意义与影响:证明了深度神经网络在超分辨率重建中的有效性,推动了后续对更深层次网络结构的研究,残差学习的思想也被广泛应用到其他图像重建任务中。

《Deep Residual Channel Attention Networks for Image Super-Resolution》(RCAN)

  • 发表信息:发表于 ECCV 2018,由哈尔滨工业大学的 Yulun Zhang 等人提出。
  • 核心内容:提出了深度残差通道注意网络。该网络采用了 Residual in Residual(RIR)结构,由多个残差组构成,每个残差组内包含多个残差块,这种结构让低频信息可以绕过网络,使主干网络只学习高频信息。此外,还提出了通道注意力机制,能够自适应地调整不同通道的权重,从而更好地恢复图像的高频细节。
  • 意义与影响:在超分辨率重建的准确性和视觉效果上取得了显著提升,为超分辨率重建算法的发展提供了新的思路和方法,尤其是在网络结构设计和特征学习方面。

《Enhanced Super-Resolution Generative Adversarial Networks》(ESRGAN)

  • 发表信息:发表于 ECCV 2018 Workshop,由 Xintao Wang 等人提出。
  • 核心内容:是对 SRGAN 的改进,主要从三个方面进行了优化。在网络结构上,移除了 BN 层,使用 Residual-in-Residual Dense Block(RRDB)作为基本构建模块;在损失函数上,使用相对平均判别器和改进的感知损失函数,提升了图像的相对真实性和纹理恢复程度;还提出了网络插值策略来平衡感知质量和峰值信噪比。
  • 意义与影响:进一步提高了生成对抗网络在超分辨率重建中的性能,使生成的超分图像在视觉质量上更接近真实图像,为超分辨率重建算法的实际应用提供了更好的解决方案。

《Deep Back-Projection Networks for Super-Resolution》(DBPN)

  • 发表信息:发表于 CVPR 2018,由 Dongwon Kim 等人提出。
  • 核心内容:提出了一种迭代的错误反馈机制,通过计算上采样和下采样的投影误差来重构图像,以获得更好的结果。网络包含相互连接的上采样和下采样阶段,能够更好地学习低分辨率图像和高分辨率图像之间的映射关系,并且利用深度级联的方式表示不同类型的图像退化和高分辨率成分,从而更好地重建高分辨率图像。
  • 意义与影响:为超分辨率重建提供了一种新的网络结构和训练方式,在大尺度因子的超分辨率重建任务中表现出色,对后续的研究具有一定的启发意义。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/55548.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Scala 字符串

Scala 字符串 Scala 是一种多范式的编程语言,它结合了面向对象和函数式编程的特点。在 Scala 中,字符串是不可变的,这意味着一旦创建了一个字符串,就不能更改它。Scala 字符串由 Java 字符串支持,因此 Scala 字符串的…

在线css像素px到Em的转换器

具体请前往:在线Px转Em工具--将绝对像素(px)长度单位转换为相对长度em

热补丁反调试API Hook—上跳/下跳

以 IsDebuggerPresent 函数为例,可以看到可以上跳(简单),也可以下跳(复杂)。 上跳: BYTE NewCodes[2] { 0xEB,0xF9 }; BYTE JmpCode[5] { 0xE9,0 }; BYTE oldCodes[2] { 0 };BOOL Mydebug() …

第三十八章 验证和解密入站消息 - 实例身份验证和 WS-Security

文章目录 第三十八章 验证和解密入站消息 - 实例身份验证和 WS-Security实例身份验证和 WS-Security检索安全标头元素FindByEncryptedKeySHA1()FindElement()FindLastElement() 检查签名确认 第三十八章 验证和解密入站消息 - 实例身份验证和 WS-Security 实例身份验证和 WS-S…

拿下奇怪的前端报错:某些多摄手机拉取部分摄像头视频流会导致应用崩溃,该如何改善呢?

现在有些手机更新的很激进,但是却没有很好的实现web规范,不支持facingMode配置来控制前后摄像头,只能根据序号切换,但拉取到某些设备的流会导致应用崩溃,这里就教一招如何尽可能的改善用户体验 至少不至于次次都崩溃&a…

普通人怎么才能实现时间自由和财富自由?

在快节奏的现代生活中,每个人都怀揣着对时间自由和财富自由的向往。尤其是对于普通人而言,这不仅仅是一种梦想,更是一种可以通过智慧和努力实现的生活方式。副业,作为主业之外的另一片天地,正逐渐成为实现这一梦想的重…

npx create-react-app react-basic 创建react 项目报错

npx create-react-app创建react 项目报错 npm error code ERESOLVE npm error ERESOLVE could not resolve npm error npm error While resolving: react-basic0.1.0 npm error Found: reactundefined npm error node_modules/react npm error react"*" from the …

63.5 注意力提示_by《李沐:动手学深度学习v2》pytorch版

系列文章目录 文章目录 系列文章目录注意力提示生物学中的注意力提示查询、键和值注意力的可视化使用 show_heatmaps 显示注意力权重代码示例 代码解析结果 小结练习 注意力提示 🏷sec_attention-cues 感谢读者对本书的关注,因为读者的注意力是一种稀缺…

Angular ng-state script 元素的生成机制介绍

ng-state 的生成过程是在 Angular SSR 中非常关键的部分。为了让客户端能够接管服务器渲染的页面状态,Angular 在服务器端需要将应用的当前状态保存下来,并将其嵌入到返回的 HTML 中。这样,客户端在接管时就可以直接使用这些状态,…

动手学深度学习(李沐)PyTorch 第 7 章 现代卷积神经网络

7.1 深度卷积神经网络(AlexNet) 在计算机视觉中,直接将神经网络与其他机器学习方法进行比较也许不公平。这是因为,卷积神经网络的输入是由原始像素值或是经过简单预处理(例如居中、缩放)的像素值组成的。但…

深圳楼市国庆“狂欢”:从“冷清”到“火爆”,谁导演了这场大戏

你知道吗?深圳那楼市,前面冷清得跟个大森林似的,楼里的灯都像是寂寞的眼睛,眨巴眨巴的,没人搭理。比如八月份那会儿,售楼中心冷清得能听见针掉地上的声音,工作人员闲得跟啥似的,大眼…

【VUE】案例:商场会员管理系统

编写vuedfr实现对会员进行基本增删改查 1. drf项目初始化 请求: POST http://127/0.0.0.1:8000/api/auth/ {"username":"cqn", "password":"123"}返回: {"username":"cqn", "token&q…

Ubuntu2404安装

Ubuntu是一款非常优秀的发行版本,起初她的优势主要在于桌面版,但是随着Centos 从服务版的支持的退出,Ubuntu server也在迅猛的成长,并且不断收获了用户,拥有了一大批忠实的粉丝。好了,废话不多说&#xff0…

鸿蒙harmonyos next flutter通信之BasicMessageChannel获取app版本号

本文将通过BasicMessageChannel获取app版本号,以此来演练BasicMessageChannel用法。 建立channel flutter代码: //建立通道 BasicMessageChannel basicMessageChannel BasicMessageChannel("com.xmg.basicMessageChannel",StringCodec());…

微智启yolo数据集划分工具免费分享下载

微智启yolo数据集划分工具,是由微智启软件工作室开发,版权所有,用于划分yolo数据集的工具,免费分享不收费,禁止用于一切商业用途,如有发现欢迎举报投诉并退款! 使用指南: 打开软件&…

Linux忘记root用户密码怎么重设密码

直接说步骤: 1.重启客户机 2.在选择内核页面快速按e键,进入编辑模式 进入后应该是这个样子 在这里只能按上下键切换行 找到Linux16这里 3.按右方向键切换到行尾,也就是UTF-8处,在后面添加一个空格,然后加上这段话 …

Pikachu-暴力破解-验证码绕过(on client)

访问页面, 从burpsuite 上看到返回的源代码; 验证码生成时通过 createCode 方法生成,在前端页面生成; 同时也是在前端做的校验; 直接验证;F12 -- 网络,随便输入个账号、密码、验证码&#xff0…

【Web】portswigger 服务端原型污染 labs 全解

目录 服务端原型污染 为什么服务器端原型污染更难检测? 通过受污染的属性反射检测服务器端原型污染 lab1:通过服务器端原型污染进行权限提升 无需污染属性反射即可检测服务器端原型污染 状态代码覆盖 JSON 空格覆盖 字符集覆盖 lab2:检测没有污染属性反射的…

初识Linux · 进程替换

目录 前言: 1 直接看代码和现象 2 解释原理 3 将代码改成多进程版本 4 认识所有函数并使用 前言: 由前面的章节学习,我们已经了解了进程状态,进程终止以及进程等待,今天,我们学习进程替换。进程替换我…

汽车追尾为什么是后车的责任?

简单点说:因为人后面没有长眼睛。 结论 在汽车追尾事故中,通常情况下后车被认为是责任方的原因在于交通法规对驾驶安全标准的约定和实践中的责任识别原则。虽然追尾事故常见地被归责于后车,但具体判断并不是绝对的,仍需综合多种…