baixue0729的博客

作者：Zhihao Wang, Jian Chen, Steven C.H. Hoi, Fellow, IEEE论文地址：https://arxiv.org/abs/1902.06068摘要  图像超分辨率（SR）是一类重要的图像处理技术，可提高计算机视觉中图像和视频的分辨率。 近年来，目睹了使用深度学习技术的图像超分辨率的显着进步。 本文旨在针对使用深度学习方法的图像超分辨率的最新进展提供全面的调查。 通常，我们可以将现有的SR技术研究大致分为三大类：监督SR，无监督SR和领域特定SR。 此外，我们

作者：Christian Ledig, Lucas Theis, Ferenc Husz´ar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi Twitter论文链接：https://arxiv.org/pdf/1609.04802.pdf代码链接：https://github.com/brade31919/

使用深度卷积网络的图像超分辨率作者：Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang论文地址：https://arxiv.org/abs/1501.00092项目地址：https://github.com/tegg89/SRCNN-Tensorflow摘要  我们提出了一种用于单图像超分辨率（SR）的深度学习方法。 我们的方法直接学习了低/高分辨率图像之间的端到端映射。 映射表示为其将低分辨率图像作为输入并输出高分辨率图像的深度卷积神经网络（C

研究方向：目标检测提出的问题：针对小物体检测、忽略噪声背景突出前景、任意方向杂乱且密集的物体检测。提出的解决方法：1）小物体：设计采样融合网络（SF-Net），其结合了特征融合和特征锚采样; 2）噪声背景：开发了一种受监督的多维注意网络（MDA-Net），它由像素注意力网络和信道注意力网络组成，用于抑制噪声和突出前景。 3）任意方向杂乱且密集的物体：通过引入用于估计的角度相关参数来设计角度敏感网络。4）为了处理任意旋转的物体，通过添加IoU常数因子来设计改进的平滑L1损失。

作者：Zhifei Zhang, Zhaowen Wang, Zhe Lin, Hairong Qi论文链接：https://arxiv.org/pdf/1903.00834.pdf项目链接：http://web.eecs.utk.edu/~zzhang61/project_page/SRNTT/SRNTT.html代码链接：https://github.com/ZZUTK/SRNTT摘要...