基于深度学习的单帧图像超分辨率重建综述

  1. 论文标题：基于深度学习的单帧图像超分辨率重建综述
  2. 作者： 吴 靖，叶晓晶，黄 峰，陈丽琼，王志锋，刘文犀
  3. 发表日期：2022 年9 月
  4. 阅读日期 ：2023.11.18
  5. 研究背景：
    图像超分辨率重建是计算机视觉中的基本图像处理技术之一，不仅可以提高图像分辨率改善图像质量，还可以辅助其他计算机视觉任务. 近年来，随着人工智能浪潮的兴起，基于深度学习的图像超分辨率重建也取得了显著进展. 本文在简述图像超分辨率重建方法的基础上，全面综述了基于深度学习的单帧图像超分辨率重建的技术架构及研究历程，包括数据集构建方式、网络模型基本框架以及用于图像质量评估的主、客观评价指标，重点介绍了根据网络结构及图像重建效果划分的基于卷积神经网络的方法、基于生成对抗网络的方法以及基于Transformer的方法，并对相关网络模型加以评述和对比，最后依据网络模型和超分辨率重建挑战赛相关内容，展望了图像超分辨率重建未来的发展趋势.
  6. 方法和性质：
    在这里插入图片描述

退化模型

  • 简单退化模型
  • 一般退化模型
  • 🌟大规模退化模型
  • 无监督退化模型-生成对抗网络

上采样指的是将原始的LR图像转换为HR图像的操作，它作为SR中必不可少的环节，在网络模型框架中占有重要地位

  • 上采样
  • 后上采样
  • 渐进式上采样
  • 迭代式上采样

重建方法

  • 卷积神经网络的 SR
  • 浅层神经网络
  • 残差网络
  • 递归神经网络

评价方法

  • 主观
  • 客观：峰值信噪比、结构相似度、信息保真度、学习感知度

—
7. 研究结果
第一阶段，多模态非联合方法和联合方法的分类准确率值分别为86.43%和92.86%。第二阶段和第三阶段期的该值分别为92.14%和99.29%。

8.创新点
9.数据

10.结论

11.研究展望

12.重要性

  • 句式积累：
  1. 相比于设计更复杂的光学成像系统来提升图像质量，图像 SR技术能够在达到相同效果的同时大大降低成本，也能突破
    衍射极限对光学成像系统的限制，获取更高分辨率的重建图像，因此在视频监控、医疗成像、卫星遥感等领域有着广泛的应用
  2. 相较于MISR需要多张同一场景具有亚像素位移的 LR图像作为输入，且图像间亚像素位移的不可预知性给充分利用图像的混叠信息带来了一定难度，SISR只需输入一张LR图像即可重建出图像的纹理细节，具有较高的实用价值，因此是目前图
    像超分辨率重建领域的主要研究方向.
  3. 传统的方法大多是通过提取对图像轮廓等纹理细节表达能力有限的图像底层特征来重建高分辨率图像，故在很大程度上限制了图像的重建效果.
  4. 相较于传统方法，基于深度学习的方法能够从数据集中提取到更具表达能力的图像特征，自适应地学习低分辨率与高分辨率图像之间的映射关系，不仅有效地克服了图像获取过程中出现的模糊、噪声等退化因素的影响，同时在各种标准数据集上取得了更好的重建效果并展现出更优的网络性能.
  5. 本文在前人的基础上，首先以网络模型的设计、训练、测试为逻辑思路介绍图像 SR 的相关知识，完善并丰富数据集构建方式、网络模型基本框架以及图像质量评价指标等相关内容；其次根据学习
    模式的不同将现有方法划分为监督式 SR 和无监督式SR，并根据模型的网络结构及设计策略，重点对监督式SR 典型及最新的研究成果加以评述，力求系统和全面地介绍基于深度学习的 SISR 方法；最后从数据集构建方式、网络模型研究进展及SR挑战赛等角度分析基于深度学习的图像 SR未来的发展趋势，以促进基于深度学习的SISR技术今后的发展及应用.
  • 写作方法：
    • 一个方法别的领域用了，我们领域没用，挪到自己的领域试试效果
    • 网络模型的设计、训练、测试，介绍数据集
    • 死定义不怕查重
    • 两个以上的数据集
    • 不用全部都写的非常细，针对要写的一两点具体去说

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/news/152335.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

微信小程序配置企业微信的在线客服

微信小程序配置企业微信的在线客服

配置企业微信后台 代码实现 <button tap"openCustomerServiceChat">打开企业微信客服</button>methods: {openCustomerServiceChat(){wx.openCustomerServiceChat({extInfo: {url: 你刚才的客服地址},corpId: 企业微信的id,showMessageCard: true,});} …
阅读更多...
深度学习之基于YoloV5-Pose的人体姿态检测可视化系统

深度学习之基于YoloV5-Pose的人体姿态检测可视化系统

欢迎大家点赞、收藏、关注、评论啦 &#xff0c;由于篇幅有限&#xff0c;只展示了部分核心代码。 文章目录 一项目简介 深度学习之基于 YOLOv5-Pose 的人体姿态检测可视化系统介绍YOLOv5-Pose 简介系统特点系统架构使用方法 二、功能三、系统四. 总结 一项目简介 深度学习之基…
阅读更多...
vue3之echarts区域折线图

vue3之echarts区域折线图

vue3之echarts区域折线图 效果&#xff1a; 核心代码&#xff1a; <template><div class"abnormal"><div class"per">单位&#xff1a;{{ obj.data?.unit }}</div><div class"chart" ref"chartsRef"&g…
阅读更多...
CSDN每日一题学习训练——Python版（N皇后 II、买卖股票的最佳时机 II、编程通过键盘输入每一位运动员）

CSDN每日一题学习训练——Python版（N皇后 II、买卖股票的最佳时机 II、编程通过键盘输入每一位运动员）

版本说明 当前版本号[20231120]。 版本修改说明20231120初版 目录 文章目录 版本说明目录N皇后 II题目解题思路代码思路参考代码 买卖股票的最佳时机 II题目解题思路代码思路参考代码 编程通过键盘输入每一位运动员题目解题思路代码思路参考代码 N皇后 II 题目 n 皇后问题…
阅读更多...
达索系统3DEXPERIENCE云端设计新体验

达索系统3DEXPERIENCE云端设计新体验

云是现代生活中必不可少的工具&#xff0c;在云端进行数据传输避免了传统的文件传输方式&#xff0c;更加方便快捷&#xff0c;节约了工作时间。 01 云端平台升级 在日常工作中有什么独特优势 在我们的生活工作中&#xff0c;云越来越多被提起&#xff0c;比如云计算、云服务…
阅读更多...
卷积神经网络（CNN）多种图片分类的实现

卷积神经网络（CNN）多种图片分类的实现

文章目录 前期工作1. 设置GPU&#xff08;如果使用的是CPU可以忽略这步&#xff09;我的环境&#xff1a; 2. 导入数据3.归一化4.可视化 二、构建CNN网络模型三、编译模型四、训练模型五、预测六、模型评估 前期工作 1. 设置GPU&#xff08;如果使用的是CPU可以忽略这步&#…
阅读更多...
从多表连接视图对比人大金仓和Oracle

从多表连接视图对比人大金仓和Oracle

KING BASE 信息时代&#xff0c;数据是驱动业务决策和创新的核心资源。然而&#xff0c;随着数据量的不断增加&#xff0c;有效地处理和整合数据的过程变得愈发复杂。这时&#xff0c;多表连接视图悄然走进数据库世界&#xff0c;不仅能够将多个表中的数据整合在一起&#xff0…
阅读更多...
管家婆订货易在线商城任意文件上传漏洞复现

管家婆订货易在线商城任意文件上传漏洞复现

0x01 产品简介 管家婆订货易&#xff0c;帮助传统企业构建专属的订货平台&#xff0c;PC微信APP小程序h5商城5网合一&#xff0c;无缝对接线下的管家婆ERP系统&#xff0c;让用户订货更高效。支持业务员代客下单&#xff0c;支持多级推客分销&#xff0c;以客带客&#xff0c;拓…
阅读更多...
【C/C++】递归算法

【C/C++】递归算法

信封 某人写了n封信和n个信封&#xff0c;如果所有的信都装错了信封。求所有的信都装错信封共有多少种不同情况 #include <iostream> using namespace std; const int N 30; int n; long f[N];int main() {scanf("%d", &n);f[1] 0, f[2] 1;for (int …
阅读更多...
「Verilog学习笔记」ROM的简单实现

「Verilog学习笔记」ROM的简单实现

专栏前言 本专栏的内容主要是记录本人学习Verilog过程中的一些知识点&#xff0c;刷题网站用的是牛客网 分析 要实现ROM&#xff0c;首先要声明数据的存储空间&#xff0c;例如&#xff1a;[3:0] rom [7:0]&#xff1b;变量名称rom之前的[3:0]表示每个数据具有多少位&#xff0…
阅读更多...
HLS基础issue

HLS基础issue

hls 是一个用C/c 来开发PL &#xff0c;产生rtl的工具 hls是按照rtl code来运行的 &#xff0c; 但是rtl会在不同器件调用不同的源语&#xff1b; 可能产生的ip使用在vivado另外一个器件的话 会存在问题&#xff1b; Hls &#xff1a; vivado ip &#xff0c; vitis kernel 是…
阅读更多...
认识前端包常用包管理工具（npm、cnpm、pnpm、nvm、yarn）

认识前端包常用包管理工具（npm、cnpm、pnpm、nvm、yarn）

随着前端的快速发展，前端的框架越来越趋向于工程化，所以对于包的使用也越来越多，为了优化性能和后期的维护更新，对于前端包的管理也尤为重要，本文主要阐述对node中包管理工具的理解和简单的使用方法。也欢迎各位大佬和同行们多多指教。😁😁😁 👉1. npm 安装npm 通…
阅读更多...
自定义类使用ArrayList中的remove

自定义类使用ArrayList中的remove

Java中ArrayList对基础类型和字符串类型的删除操作&#xff0c;直接用remove方法即可。但是对于自定义的类来说&#xff0c;用remove方法删除不了&#xff0c;因为没有办法确定是否是要删除的对象。 ArrayList中remove源码是&#xff1a; public boolean remove(Object o) {if…
阅读更多...
【linux】补充：高效处理文本的命令学习（tr、uniq、sort、cut）

【linux】补充：高效处理文本的命令学习（tr、uniq、sort、cut）

目录 一、tr——转换、压缩、删除 1、tr -s “分隔符” &#xff08;指定压缩连续的内容&#xff09; 2、tr -d 想要删除的东西 ​编辑 3、tr -t 内容1 内容2 将内容1全部转换为内容2&#xff08;字符数需要一一对应&#xff09; 二、cut——快速剪裁命令 三、uniq——去…
阅读更多...
git撤销未git commit的文件

git撤销未git commit的文件

目录 一、问题描述 二、方式1&#xff1a;git命令撤销&#xff08;更专业&#xff09; 1、文件已git add&#xff0c;未git commit 2、本地修改&#xff0c;未git add &#xff08;1&#xff09;撤销处于unstage的文件&#xff0c;即删除已有变动 &#xff08;2&#xff…
阅读更多...
Vue3 动态设置 ref

Vue3 动态设置 ref

介绍 在一些场景&#xff0c;ref设置是未知的需要根据动态数据来决定&#xff0c;如表格中的input框需要我们主动聚焦&#xff0c;就需要给每一个input设置一个ref&#xff0c;进而进行聚焦操作。 Demo 点击下面截图中的编辑按钮&#xff0c;自动聚焦到相应的输入框中。 &…
阅读更多...
【算法基础】动态规划

【算法基础】动态规划

背包问题 01背包 每个物品只能放一次 2. 01背包问题 - AcWing题库 二维dp #include<bits/stdc.h> const int N1010; int f[N][N]; int v[N],w[N]; signed main() {int n,m;std::cin>>n>>m; for(int i1;i<n;i) std::cin>>v[i]>>w[i];for…
阅读更多...
Nginx的核心配置文件

Nginx的核心配置文件

Nginx的核心配置文件 学习Nginx首先需要对它的核心配置文件有一定的认识&#xff0c;这个文件位于Nginx的安装目录/usr/local/nginx/conf目录下&#xff0c;名字为nginx.conf 详细配置&#xff0c;可以参考resources目录下的<<nginx配置中文详解.conf>> Nginx的核…
阅读更多...
warning C4251

warning C4251

c - Warning C4251 when building a DLL that exports a class containing an ATL::CString member - Stack Overflow
阅读更多...
python中sklearn库在数据预处理中的详细用法，及5个常用的Scikit-learn（通常简称为 sklearn）程序代码示例

python中sklearn库在数据预处理中的详细用法，及5个常用的Scikit-learn（通常简称为 sklearn）程序代码示例

文章目录 前言1. 数据清洗&#xff1a;使用 sklearn.preprocessing 中的 StandardScaler 和 MinMaxScaler 进行数据规范化。2. 缺失值处理&#xff1a;使用 sklearn.impute 中的 SimpleImputer 来填充缺失值。3. 数据编码&#xff1a;使用 sklearn.preprocessing 中的 OneHotEn…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023