05论文笔记《Video Super-Resolution via Bidirectional Recurrent Convolutional Networks》

最新推荐文章于 2022-02-25 17:41:47 发布
最新推荐文章于 2022-02-25 17:41:47 发布
阅读量1.2k 收藏 1
点赞数 1
分类专栏： 深度学习
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/Lazyinit/article/details/103253373
版权
本文介绍《Video Super-Resolution via Bidirectional Recurrent Convolutional Networks》论文，探讨如何使用BRCN实现视频超分辨率。内容涉及SR的基本概念，RNN和BRCN的原理，以及BRCN相对于CNN和3D CNN的优势，旨在阐述BRCN如何利用时间序列信息提升视频重建效果。
摘要由CSDN通过智能技术生成

《Video Super-Resolution via Bidirectional Recurrent Convolutional Networks》

通过双向循环卷积网络实现视频超分辨率

从RNN到BRCN

 

 

SR简介：

超分辨率(Super-Resolution, SR)是计算机视觉领域的一个经典应用, SR是指通过软件或硬件的方法, 从观测到的低分辨率图像重建出相应的高分辨率图像；

SR问题是一个有监督学习问题，说白了就是要找到一个合适的模型，学习低分辨率图像和高分辨率图像之间的映射关系；

 

创新点：

首次提出双向循环卷积网络（BRCN）并运用于多帧SR；

 

<
最低0.47元/天 解锁文章
Lazyinit
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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！
Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution
02-10
Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution
视频超分：BRCN（Video Super-Resolution via Bidirectional Recurrent Convolutional Networks）
WangsyHebut的博客
12-29 1630
论文：应用双向循环卷积网络的视频超分辨率方法 代码：https://github.com/linan142857/BRCN 文章检索出处：IEEE TPAMI 2017考虑到RNN可以很好地模拟视频序列的长期时间依赖性，本文提出了一种双向循环卷积网络（BRCN）。主要贡献如下： 1）提出了一种适用于多帧SR的双向循环卷积网络，其中时间依赖性可以通过循环卷积和三维前馈卷积有效地建模。 2）它是一个端到端的框架，不需要前/后处理。我们的卷积可以缩放到任何空间大小和时间步长的视频。 下图为所提出的网络，包含前向子
2020ECCV VSR Video Super-Resolution with Recurrent Structure-Detail Network
eight_Jessen的博客
11-07 405
Video Super-Resolution with Recurrent Structure-Detail Network 1.总结 作者提出的网络将输入分成了结构和细节两部分，这些部分被送入到由几个proposed two-stream struct-detail模块。另外，引入了自适应隐藏层模块，允许当前帧可以有选择地使用来自隐藏层状态的信息，可以增强对外观变化和累积错误的鲁棒性。 分析比较： 以前VSR的方法时通过显式的运动的那个补偿来实现，先通过计算参考帧和邻帧的光流，然后对齐做超分。但是密集光流
Video Super-Resolution with Recurrent Structure-Detail Network阅读笔记
Gedulding的博客
02-25 2780
Video Super-Resolution with Recurrent Structure-Detail Network （视频超分与循环的结构-细节网络） 文章检索出处：2020 ECCV 论文：https://arxiv.org/abs/2008.00455 本篇笔记分为三部分：1，全文大致浏览。2，关键图文以及结构分析。3，实验分析。 1，全文大致浏览 （1）摘要 简单叙述本文特点以及提出的内容，本文提出新的循环视频超分算法，对比过去借助时间滑动窗口中的相邻帧然后超分单个参考帧，以...
视频超分：RSDN（Video Super-Resolution with Recurrent Structure-Detail Network）
WangsyHebut的博客
09-26 2686
论文：视频超分与循环的结构-细节网络 文章检索出处：2020 ECCV仅供学习使用，请勿转载。 我们提出了一种新颖的循环视频超分辨率方法，它将输入分为结构组件和细节组件，这些组件被馈入到几个two-stream structure-detail 模块所组成的循环单元中。另外还引入了隐藏状态适配模块，它允许当前帧有选择的使用来自隐藏状态的信息，以增强其对外观变化和错误累计的鲁棒性。在超分辨率的性能和速度方面，变表现非常出色。...
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3192
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
Deep Learning-Based Video Coding: A Review and A Case Study
weixin_30325487的博客
06-13 2043
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ 1、Abstract: 　　本文主要介绍的是2015年以来关于深度图像/视频编码的代表性工作，主要可以分为两类：深度编码方案以及基于传统编码方案的深度工具。对于深度编码方案，像素概率建模和自动编码器是两种方法，分别可以看作是预测编码方案和变换编码方案。对于深度工具，有几种使用深度学习来执行帧内预测、帧间预测、跨通道预测、概率分...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
VideoSuperResolution：一组最新的视频或单图像超分辨率架构，在Tensorflow中重新实现
02-06
视频超分辨率 在tensorflow中重新实现的最新视频或单图像超分辨率体系结构的集合。 项目现已上传到PyPI。 尝试从PyPI安装： pip install VSR 预先训练的权重现在正在上传。 现在还包括一些引用的PyTorch实现。 快速链接： 网络列表和参考（更新） 超链接指向论文站点，如果作者为开源，则遵循官方法规。 所有这些模型都在ONE框架中实现。 模型 已发表 码* VSR（TF）** VSR（火炬） 关键词 预训练 神经网络 -， ÿ ÿ 开明 RAISR -- -- -- Google，Pixel 3 埃斯佩克 -， ÿ ÿ
超分辨率重建代码 superresolution_v_2.0
04-18
超分辨率重建代码 superresolution_v_2.0
Video Super-Resolution with Recurrent Structure-Detail Network阅读
造未来
11-25 854
代码：https://github.com/junpan19/RSDN 文章出自ECCV 2020，与CVPR 2020 VSR-TGA出自同一个作者团队. 文章思路 这篇文章的创新点在于将一帧图像分为了Structure和Detail两部分，其中，Structure部分包含低频信息，而Detail部分包含高频信息，最后两者分别进行处理。 算法的整体框架如下图： 从上图可以看到这是一种类似循环网络的处理方式，但实际结构中并没有用到循环结构，它的思路和FRVSR这篇文章类似，即是用前一时刻的处理结果作为后.
《Recurrent Back-Projection Network for Video Super-Resolution》论文阅读之RBPN
Gavinmiaoc的博客
05-30 4312
Recurrent Back-Projection Network for Video Super-Resolution - CVPR2019 paper：https://arxiv.org/pdf/1801.04590v4.pdfcode：https://github.com/alterzero/RBPN-PyTorchProject page:https:/...
Frame-Recurrent Video Super-Resolution-FRVSR阅读笔记
shengjian3476077的博客
05-08 3324
论文提出在以往的视频超分辨率中采用的滑动窗口的方式，有效地将问题视为大量独立的多帧超分辨率任务，但是该方法有主要缺点：1）每个输入帧被多次处理，增加了计算成本；2）每个输出帧独立地根据输入帧进行估计，限制了系统产生时间上一致结果的能力。 该论文提出了一个端到端的可训练的帧递归视频超分辨率网络，该方法将先前估计的HR帧作为后续迭代的输入。这种方法首先保证了每个输入帧只需处理一次，这大大降低了计算成本...
【论文阅读】Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel.........
weixin_34097242的博客
04-07 475
2019独角兽企业重金招聘Python工程师标准>>> ...
经典视频超分论文总结1
longshaonihaoa的博客
10-22 1688
本文总结一下PaperWithCode中VID4榜上的几篇超分论文。 1、Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution（BRCN， NeurIPS 2015）https://proceedings.neurips.cc/paper/2015/file/c45147dee729311ef5b5c3003946c48f-Paper.pdfhttps://proceedings.neurips.cc
视频超分辨论文理解：Frame-Recurrent Video Super-Resolution
造未来
04-29 5385
该文是2019年CVPR上的视频超分辨论文。 该文章主要是针对以前视频超分辨的缺点：将视频超分辨问题看作是大量的单独的多帧超分辨任务。每个多帧超分辨任务负责根据输入的多帧LR图像生成一个HR图像，这样产生的各个HR图像之间由于缺乏联系，在时间连续性上比较差，出现伪影。同时这样做的计算复杂度比较高。 于是，作者提出在生成下一帧图像时，考虑之前生成的HR图像，将其也输入网络，这样不仅能产生时间连续的结...
【论文阅读】Frame-Recurrent Video Super-Resolution (FRVSR2018超分)
florrie
01-16 5390
【论文阅读】Frame-Recurrent Video Super-Resolution (FRVSR) 今天要整理一篇最近阅读的文章，这篇文章是2018年Mehdi S.M. Sajjadi发表在CVPR的一篇有关视频超分辨率的文章。目前作者并没有公开源码，但是我在GitHub上看到有其他大牛复现了论文源码，我暂时还没跑这篇文章的代码，不过后面会整理我所跑过的论文代码。 Abstract 摘要中...
Bidirectional recurrent neural networks介绍一下
最新发布
03-10
双向循环神经网络（Bidirectional recurrent neural networks）是一种循环神经网络的变体，它不仅考虑了当前时刻的输入，还考虑了之前的输入，以及之后的输入，从而能够更好地处理序列数据。它通过在网络中添加一个反向循环层，使得网络能够同时从前向后和从后向前处理输入序列，从而更好地捕捉序列中的上下文信息。
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