SRCNN论文笔记

最新推荐文章于 2024-07-26 09:00:22 发布
最新推荐文章于 2024-07-26 09:00:22 发布
阅读量662 收藏
点赞数 1
分类专栏： Super Resolution
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/Scorch111/article/details/104554842
版权
SRCNN是图像超分辨率领域的开创性工作，采用三层卷积神经网络进行图像重建。第一层提取特征，第二层进行非线性映射，第三层负责重建。损失函数选用MSE，导致图片平滑，尽管PSNR值高，但高频信息保留不足，影响视觉效果。
摘要由CSDN通过智能技术生成

SRCNN论文笔记

论文：Learning a Deep Convolutional Network for Image Super-Resolution

SRCNN是将卷积神经网络(CNN)应用于图像超分辨率(Super resolution，SR)的开山之作，目前已有很多专业的论文解读，本文仅作个人学习笔记记录。官方论文与实现代码链接：http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html

SR过程

SR过程：以低分辨率图像作为输入，利用双三次插值(bicubic interpolation)将其放大至目标分辨率得到图像Y。虽然Y的分辨率已提高，但此时仍将其视为低分辨率图像，利用卷积神经网络学习映射F，使得F(Y)无限接近真实图像(ground truth)X。具体过程如下图所示：

网络结构

网络使用三层卷积神经网络，分别代表三个不同的操作，网络结构如下图所示，这也是SRCNN的核心所在。

最低0.47元/天 解锁文章
呵呵Scorch
关注
专栏目录
srcnn （Learning a Deep Convolutional Networkfor Image Super-Resolution）论文阅读笔记
qq_40107571的博客
06-09 434
SRCNN论文阅读笔记
【图像超分】论文复现：Pytorch实现SRCNN！保姆级复现教程！提供完整代码和最优权重模型(x2、x3、x4)！科研级论文曲线图！计算平均PSNR和SSIM！代码Windows和Linux都可用！
畅游计算机视觉的海洋
05-20 1763
由于很多同学反应没用过jupyter notebook，更习惯用pycharm项目的形式跑代码。于是，本文将用pycharm项目的形式，重新复现SRCNN！【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用。
SRCNN论文翻译（Image Super-Resolution Using Deep Convolutional Networks）
PPLLO_o的博客
05-09 8013
摘要 我们提出了一种单图像超分辨率（SR）的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为深度卷积神经网络（CNN），其将低分辨率图像作为输入并输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的SR方法也可以被视为深度卷积网络。但与分别处理每个组件的传统方法不同，我们的方法共同优化所有层。我们的深层CNN具有轻质结构，同时展示了最先进的修复质量，并实现了实...
SRCNN论文精读
最新发布
m0_65590944的博客
07-26 1840
摘要：我们提出了一种单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为以低分辨率图像为输入，高分辨率图像为输出的深层卷积神经网络(CNN)[15]。我们进一步表明，传统的基于稀疏编码的SR方法也可以被视为一个深层卷积网络。但与单独处理每个部分的传统方法不同，我们的方法联合优化了所有层。我们的深层CNN具有轻量级的结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速度。
论文笔记 —— SRCNN
Chris's Notes
11-12 4362
本文系论文 Learning a Deep Convolutional Network for Super-Resolution （ECCV 2014）的阅读笔记。
【超分辨率】SRCNN论文笔记
abxl987的博客
09-29 2072
1.SRCNN算是深度学习在图像超分辨率领域的开山之作。虽然这篇论文年代比较久远了，但是仍然值得一读。（看到论文的作者是何凯明大佬没？）2.在这篇论文中，作者提出了一种单图像超分辨率的深度学习方法。该方法直接学习低\高分辨率图像之间的端到端映射。SRCNN将低分辨率图像作为输入并输出高分辨率图像。3.作者提出的方法共同优化了所有的网络层结构（而传统的方法是分别处理每个组件），并且作者提出的深层卷积神经网络是一种轻质的结构，因此速度非常快，但是却有着最先进的修复质量。
【图像超分】论文精读：SRResNet/SRGAN
畅游计算机视觉的海洋
03-29 6555
尽管使用更快更深的卷积神经网络在单幅图像超分辨率的准确性和速度方面取得了突破，但一个中心问题在很大程度上仍未解决：当我们在大型放大因子上超分辨率时，我们如何恢复更精细的纹理细节。基于优化的超分辨率方法的行为主要是由目标函数的选择驱动的。最近的工作主要集中在最小化均方重建误差上。生成的估计具有较高的峰值信噪比，但它们通常缺乏高频细节，并且在感知上不令人满意，因为它们无法匹配更高分辨率的保真度。在本文中，我们提出了SRGAN，一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知，这是第一个能够为4×
超分辨率matlab代码-SRCNN-Keras:通过Theras作为后端通过Keras实现SRCNN。为了与已发表的作品进行合理的比较，ma
05-26
在python和matlab中使用'bicubic'作为选项的resize函数是不同的，并且最近发表的论文通常使用matlab来生成低分辨率图像 通过以Theano为后端的Keras实现SRCNN。 为了与已发表的作品进行合理的比较，Matlab的imresize...
图像超分辨率论文阅读笔记
10-08
本文将根据“图像超分辨率论文阅读笔记”这一主题，深入探讨相关的理论基础、主要方法和技术进展。 首先，我们从理论基础出发。图像超分辨率重建的基本原理基于图像的先验知识，例如空间连续性、边缘保持和高频信息...
SRCNN论文代码
11-24
Image Super-Resolution Using Deep Convolutional Networks(SRCNN)训练代码，欢迎各位下载
SRCNN论文测试代码
11-24
Image Super-Resolution Using Deep Convolutional Networks(SRCNN)模型的测试代码，matlab编写，欢迎各位下载
SRCNN代码解析_test.pdf
05-25
SRCNN代码测试时的步骤分析。 只包含函数名，部分代码及注释，理清程序执行的流程顺序，帮助读懂代码。 大体理了一遍，有错误请指正，谢谢。
SRCNN代码解析_train.pdf
05-23
SRCNN源码分析：以文档的形式顺了一下训练时的代码流程和函数功能。只包含源码中的函数名及必要代码。可以帮助理解训练阶段的流程。
SRCNN翻译学习并改进.zip
07-01
两个文档分别是SRCNN论文的翻译和在SRCNN模型的基础上对其训练方法做出一定改进，提高了收敛速度。
SRCNN_train.rar
06-18
超分辨率作为一门比较火的领域，传统方法处理SR问题时，有着一些问题，比如说边缘模糊，由此SR和卷积神经网络的结合，较好的解决了这问题
#今日论文推荐# SRCNN：基于深度学习的超分辨率开山之作回顾
w1hsxn的博客
06-09 208
本文将介绍CNN 如何用于单图像超分辨率（SISR）。
SRCNN-study
szfhy的博客
05-31 3352
Super-Resolution:
【超分辨率】SRCNN论文详解（Image Super-resolution Using Deep Convolutional Networks）
不可能打工的博客
11-07 1673
论文原文：https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7115171&tag=1 一、简介 超分辨率（super resolution）的任务目标是将输入的低分辨率的图像转换为高分辨率的图像，与图像去噪、图像去模糊等一脉相承。个人认为：超分辨率关注的是从小尺寸到大尺寸图像如何填充新的像素；图像去噪则是关注在图像尺寸不变的情况下，...
pytorch srcnn
12-20
PyTorch SRCNN（Super-Resolution Convolutional Neural Network）是一种用于图像超分辨率重建的深度学习模型。它能够将低分辨率的图像转换成高分辨率的图像，从而提高图像的清晰度和细节。SRCNN模型采用了卷积神经...
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