图像超分辨率&超分辨率NeRF论文阅读

最新推荐文章于 2024-06-17 19:11:57 发布
最新推荐文章于 2024-06-17 19:11:57 发布
阅读量362 收藏 1
点赞数 1
文章标签： 论文阅读
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。
本文链接：https://blog.csdn.net/DUDUDUTU/article/details/133879538
版权

文章目录

前置知识

1）知识点1
\quad xxx
\quad xxx
2）知识点2
\quad xxx
\quad xxx

图像超分辨率

《High-resolution image reconstruction with latent diffusion models from human brain activity》【CVPR’23】

Paper: 链接
Code: https://sites.google.com/view/stablediffusion-with-brain/
Author: Graduate School of Frontier Biosciences, Osaka University, Japan；CiNet, NICT, Japan

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

2）相关工作：

\quad xxx

\quad xxx
\quad xxx。

3）Method name
\quad xxx。如下图所示
在这里插入图片描述

\quad xxx。

\quad 那么一个问题就是，xxx？

\quad xxx

4）实验部分：

\quad xxx

5）总结：

\quad xxx

《Dynamic High-Pass Filtering and Multi-Spectral Attention for Image Super-Resolution》【ICCV’21】

Paper: 链接
Code: None
Author: Harvard University；Northeastern University；Boston College

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

2）相关工作：

\quad xxx

\quad xxx
\quad xxx。

3）Method name
\quad xxx。如下图所示
在这里插入图片描述

\quad xxx。

\quad 那么一个问题就是，xxx？

\quad xxx

4）实验部分：

\quad xxx

5）总结：

\quad xxx

《DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior》

Paper: 链接
Code: https://github.com/XPixelGroup/DiffBIR
Author: SIAT，Shanghai AI Laboratory (Xpixel Group)

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

2）相关工作：

\quad xxx

\quad xxx
\quad xxx。

3）Method name
\quad xxx。如下图所示
在这里插入图片描述

\quad xxx。

\quad 那么一个问题就是，xxx？

\quad xxx

4）实验部分：

\quad xxx

5）总结：

\quad xxx

超分辨率NeRF

《NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling》

Paper: 链接
Code: xxx
Author: xxx

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

《RefSR-NeRF: Towards High Fidelity and Super Resolution View Synthesis》

Paper: 链接
Code: https://github.com/huawei-noah/Efficient-AI-Backbones/tree/master/RefSR-NeRF_pytorch
Author: Huawei Noah’s Ark Lab

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

2）相关工作：

\quad xxx

\quad xxx
\quad xxx。

3）Method name
\quad xxx。如下图所示
在这里插入图片描述

\quad xxx。

\quad 那么一个问题就是，xxx？

\quad xxx

4）实验部分：

\quad xxx

5）总结：

\quad xxx

《AligNeRF: High-Fidelity Neural Radiance Fields via Alignment-Aware Training》

Paper: 链接
Code: xxx
Author: xxx

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

《RefSR-NeRF: Towards High Fidelity and Super Resolution View Synthesis》

Paper: 链接
Code: xxx
Author: xxx

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

《NeRFLix: High-Quality Neural View Synthesis by Learning a Degradation-Driven Inter-Viewpoint MiXer》

Paper: 链接
Code: xxx
Author: xxx

1）动机：
\quad xxx：

  • xxx
  • xxx

\quad xxx

Iron_lyk
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
awesome-NeRF:精选的神经辐射领域论文精选清单
03-11
受启发的一系列令人敬畏的神经辐射领域论文的精选清单。 目录 民意调查 ，Dellaert和Yen-Chen，Arxiv 2020 | | 文件 ，Mildenhall等人，ECCV 2020 | | ，Zhang等人，Arxiv 2020 | | ，Rebain等。 2020年Arxiv |...
point-nerf复现代码
05-30
point-nerf复现代码，github上提供的源码比较乱，而且在复现的时候一直出现bug，于是在测试point-nerf时将里面的代码进行了更改。在源码的基础上，将nerf_synth360_ft_dataset.py；evaluate.py；test_ft.py；...
2021-2023神经辐射场（NeRF）118篇顶会论文合集（已分类整理）
学姐带你玩AI的博客
11-07 1405
有没有发现最近神经辐射场相关话题又有点爆了？其实NeRF一直都挺火的，相关论文在Google Scholar上引用量已经超过6000次，每年顶级视觉会议如CVPR、ICCV、ECCV等都有大量关于神经辐射场的高质量工作被接受。许多科研机构和公司比如微软、Facebook、谷歌等都在研究神经辐射场的不同应用，有的已经将其应用于产品中，如捕捉人体动作等。今年有关NeRF的最新研究也有不少了，上次和你们简单分享了17篇，。这次我爆肝整理了论文资料已经帮大家做了分类，需要的同学看文末打包领走。
每日学术速递4.28
与君共勉，一起学习
05-01 781
标题：StepFormer：教学视频中的自我监督步骤发现和定位作者：Nikita Dvornik, Isma Hadji, Ran Zhang, Konstantinos G. Derpanis, Animesh Garg, Richard P. Wildes, Allan D. Jepson文章链接：https://arxiv.org/abs/2304.13265摘要： 教学视频是从人类演示中学习程序任务的重要资源。然而，此类视频中的说明步骤通常很短且稀疏，大部分视频与过程无关。这激发了对此
Text-to-3D Generation
Iron_lyk Blog
03-27 3859
文本到3D图像生成论文串读
RefSR-NeRF: Towards High Fidelity and Super Resolution View Synthesis
Hi_shallyi的博客
02-19 931
论文提出了一种参考引导的超分神经辐射场 (RefSR-NeRF)，它将 NeRF 扩展到超分辨率和逼真的新颖视图合成。NeRF 在高分辨率渲染中存在模糊问题，因为其固有的多层感知器难以学习高频细节，并且随着分辨率的增加而导致计算爆炸。因此论文提出了 RefSR-NeRF，这是一个端到端框架，首先学习低分辨率 NeRF 表示，然后借助高分辨率参考图像重建高频细节。作者观察到由于退化模型的分歧，简单地引入文献中的预训练模型往往会产生不满意的工件。为此，作者又设计了。
68、4K-NeRF:高分辨率重建
小白的博客
12-17 1719
4k-NeRF
UltraSR
lt1103725556的博客
03-29 517
在最新的cvpr2021 oral——LIIF上做的改进 LIIF好像是任意倍数超分，用的NeRF那套方法，发现可以用低分辨率图像特征+坐标来还原高分辨率图像，之前是低分辨率图像特征+卷积来还原，这里相当于是用MLP代替卷积，并且主动加入位置信息，其实照理说应该跟卷积差不多。不过卷积的方法不能适应任意scale的超分，一般一个模型对应一个scale，LIIF用MLP可以进行任意倍数超分，看了再说。 如何SR δx\delta xδx是低分辨率特征图上某一特征向量的坐标与高分辨率特征图上的坐标的距离，知道
多模态三维重建-基于文本+图像CLIP驱动的神经辐射场NeRF控制-附项目源码-优质项目实战.zip
06-03
多模态三维重建_基于文本+图像CLIP驱动的神经辐射场NeRF控制_附项目源码_优质项目实战
ER-NeRF三维重建论文
05-04
ER-NeRF三维重建论文，结合数字人技术，通过图片进行重绘。
NeRF-SR的解说ppt
04-20
NeRF-SR技术的主要贡献在于，它可以从低分辨率的输入图像中生成高分辨率的新视图，并且可以恢复图像中的高频细节。该技术的关键在于超采样策略和基于补丁的细化网络。 超采样策略是NeRF-SR技术的核心部分，它可以将...
NeRF系列(1):NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 论文解读与公式推导（一）
qq_35831906的博客
05-22 597
NeRF论文第一篇：NeRF的关键思想是通过从不同视点捕捉到的一组图像来训练神经网络，以逼近体积场景函数。在训练过程中，网络接受场景中的一个三维点作为输入，并输出该点的颜色。通过使用大量的输入-输出对来优化网络的参数，NeRF学习捕捉场景的复杂光照和视角相关效果。
NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling论文翻译
ysh的博客
04-14 2300
使用超采样的高质量神经辐射场 Abstract 我们提出了NeRF-SR，一种高分辨率(HR)新视图合成的解决方案，主要采用低分辨率(LR)输入。我们的方法是建立在神经辐射场(NeRF)[33]的基础上的，该[33]通过多层感知器预测每一个点的密度和颜色。在生成任意尺度的图像时，NeRF正在努力处理超出观测图像的分辨率。我们的关键见解是，NeRF有一个局部先验，这意味着一个三维点的预测可以在附近的区域传播，并保持准确。我们首先利用一种超采样策略，在每个图像像素上拍摄多条光线，从而在亚像素水平上施加多视图
ResNet——Deep Residual Learning for Image Recognition(论文阅读)
Xiao_Ya__的博客
06-14 1089
ResNet——Deep Residual Learning for Image Recognition(论文阅读)
论文阅读：RAM++ | Open-Set Image Tagging with Multi-Grained Text Supervision
a486259的博客
06-16 676
发表时间：2023年11月16论文地址：https://arxiv.org/pdf/2310.15200项目地址：https://github.com/xinyu1205/recognize-anythingRecognize Anything Plus Model（RAM++），这是一种有效利用多粒度文本监督的开放集图像标记模型。以前的方法（例如，CLIP）主要利用与图像配对的全局文本监督，导致在识别多个单独的语义标签方面的次优性能。相比之下，RAM++无缝地集成了单个标签监督（tag。
[论文笔记]Are Large Language Models All You Need for Task-Oriented Dialogue?
最新发布
日积月累，天道酬勤
06-17 952
⭐ 作者测试了基于LLM做领域识别、状态追踪和响应生成。但是状态追踪的效果不好，如果想用LLM做TOD需要额外加入状态追踪逻辑。
论文阅读Rolling-Unet，卷积结合MLP的图像分割模型
wwimhere的博客
06-12 1012
2）接着，在Rolling操作之后，R-MLP在每个空间位置索引 (hi,wj) 上执行带有权重共享的通道投影，以编码长距离依赖性。通道投影是指在特征矩阵的每个空间位置（即图像的每个像素位置）上，对所有通道的特征进行线性变换，以生成新的特征表示。通道投影的目的是将Rolling操作后的多通道特征进行整合和编码，以捕获长距离依赖性。在Rolling操作之后，每个空间位置的特征图可能会有不同的宽度或高度特征。
【LLM之RAG】Self-RAG论文阅读笔记
<p>专注挖坑</p>
06-13 693
尽管大型语言模型（LLM）展示出了显著的能力，但它们在生成回答时经常包含事实错误，因为它们仅依赖于封装在模型中的参数知识。增强型检索生成（Retrieval-Augmented Generation, RAG）是一种方法，通过检索相关知识来减少此类问题。然而，无论是否需要检索，或检索的段落是否相关，不加选择地检索和整合固定数量的检索段落会降低语言模型的多功能性，或可能导致生成无用的回答。​
【论文阅读】AttnDreamBooth | 面向文本对齐的个性化图片生成
专注于人工智能的算法与应用
06-16 290
（1） Textual Inversion：容易出现过拟合概念的情况（即只看到概念，而忽视其他的prompt） 对于text embedding做注入。最经典的比如一些好玩的动漫人物的概念，SD大模型本身是不知道这些概念的，但是通过概念注入是可以实现的从而生成对应的动漫人物。（2）DreamBooth：容易忽视概念（即可以看到其他prompt，不能看到概念）对于原本的扩散模型做微调。使用灵活的文本控制可以实现一些特定的概念的注入从而实现个性化的图片生成。两个主要的传统的实现方式。方法由三个训练阶段组成。
block nerf
08-04
Block NeRF是一种用于渲染场景的方法，它将场景分割为多个块NeRF，并在每个块NeRF的数据上进行训练。为了渲染目标视图，首先计算每个块NeRF的可见性，并丢弃可见性较低的块NeRF。然后根据每个块原点到目标视图的距离合并渲染。具体来说，通过在相机原点和每个块NeRF的中心之间计算反向距离权重，对每个过滤的块NeRF进行彩色渲染，并在它们之间进行插值，以产生平滑过渡的效果。为了提高效率，使用了两种过滤机制来仅渲染与目标视点相关的块NeRF。这些机制包括只考虑目标视点设定半径内的块NeRF，并计算相关的可见性。如果块NeRF的平均可见性低于阈值，则会丢弃该块NeRF。滤波后，通常还会有一些块NeRF需要合并。[1][2][3]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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