eight_Jessen的博客

一、pytorch1.0.0 importerror undefined symbol: cblas_sgemm_allo参考链接：https://blog.csdn.net/weixin_45588505/article/details/124155586解决方法，安装mkl，注意mkl版本conda install mkl=2018 -c anaconda安装完后运行又出现问题，pillow版本问题。ImportError: cannot import name 'PILLOW_VERSI

MuCAN: Multi-Correspondence Aggregation Network for Video Super-ResolutionGitHub地址1.总结这篇文章作者主要在于突出利用多帧输入里面帧间和帧内的信息，对此作者分别提出了Temporal Multi-Correspondence Aggregation Module 和 Cross-Scale Nonlocal-Correspondence Aggregation Module，相比于以往的视频超分，这两个模块的功能我认为可

MEMC-Net: Motion Estimation and Motion Compensation Driven Neural Network for Video Interpolation and Enhancement总结在传统的视频插帧中，通常会用到motion estimation(ME)和motion compensation(MC)。目前存在的基于光流的方法要么预测光流，要么预测补偿核，限制了计算的高效和插帧的准确。作者提出一个用于视频插帧的运动估计和运动补偿驱动的网络，并使用也给自适应

Space-Time-Aware Multi-Resolution Video Enhancement1、总结同时做时间和空间的超分。高分辨率可以提高运动细节，高帧率有利于做运动对齐。文中的方法是在ST-SR期间生成潜在的低分辨率和高分辨率表示的模型组件可用于微调仅针对空间SR或时间SR的专用机制。作者提出了 Space-Time-Aware multi-Resolution Network STARnet。STARnet通过为ST-SR提供从LR到HR的直接连接，明确合并了在LR和HR空间中相互增强

Video Super-Resolution with Recurrent Structure-Detail Network1.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

Frame-Recurrent Video Super-Resolution1.摘要作者认为以往的做法是多个LR帧得到一个HR帧。这种的方法有两个主要的缺点：1）每个输入帧都经过多次处理和变形，从而增加了计算成本；2）每个输出帧都是根据输入帧进行独立估计的，从而限制了系统产生时间上一致的结果的能力作者提出的网络是使用预测出来的HR，继续预测后面的帧。由于其重复性，所提出的方法具有同化大量先前帧的能力，而不会增加计算需求。2.Introduction最新的视频超分辨率方法通过组合一批LR帧以估计

Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation1.总结以往的方法依赖于运动估计和补偿。对运动估计的准确度要求高。同时最后输出的HR图像是通过CNN混合来自多个运动补偿输入LR帧得到的，最终的结果也比较模糊。作者提出一个基于每个像素局部的时空邻域产生动态上采样滤波器和残差图像的网络，一次阻止显式的运动补偿。最终HR图像的产生是通过直接对输入图

1.总结视频超分提取帧间的信息很重要，作者提出了一个可以自适应选择优化范围的时序自适应网络，同时作者用一个空间对齐网络减少邻帧的的运动复杂性。具体来讲就是：首先有一个时序自适应网络。时序信息对视频超分很重要，以往有通过复杂的优化来解决但是引入了计算负担和时间负担，也有一些使用固定的temporal scale通过显式应用运动补偿来产生网络的输入。作者提出一个自适应时序网络，可以鲁棒应对各种运动类型并且选择优化的范围。网络的输入是经过运动补偿后对齐的LR帧，然后应用不同的时序size产生HRsize估计。

1. Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution以往的subpixel motions estimation只适用于小的运动，同时这种做法计算量大。作者设计的网络包括三个要点：前馈卷积模拟低分辨率帧与其高分辨率结果之间的视觉空间依赖性。循环卷积连接连续帧的隐藏层以了解时间依赖性。条件卷积连接之前时间戳的输入和和现在的隐藏层。使用MSE训练网络。数据集 25YUV2. SUPER-R

1、Deep Unfolding Network for Image Super-Resolution代码传送门1.1 总结作者认为：learning-base方法目前展现出相比传统model-base方法更好的结果。然而model-base方法可以解决的超分中一些问题，比如不同的缩放因子，模糊核，噪声水平。所以作者提出了一个利用了model-base和learning-base两者优势的网络。通过半二次分裂算法，可以得到由交替求解一个数据子问题和先验子问题组成的固定迭代次数，这部分可以由神经网

1、Unpaired Image Super-Resolution using Pseudo-Supervision根据unpaired 训练样本，做一个从LR源域x(∈X)x(\in X)x(∈X)到SR目标域y(∈Y)y(\in Y)y(∈Y)的映射。clean LR HR根据一个预先定义好的操作降采样y↓(∈Y↓)y_{\downarrow}(\in Y_{\downarrow})y↓​(∈Y↓​)。FXYF_{XY}FXY​就是指GXY↓G_{XY_{\downarrow}}GXY↓​​和 UY↓

1、Modulating Image Restoration with Continual Levels via Adaptive Feature Modification Layers调整模糊度，upscale重建加入AdaFM模块引导。2、Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination3、ODE-inspired Network Design f

Space-Time Video Super-Resolution (STVSR) 问题定义：从一个低像素低帧率恢复出高帧率高分辨率的视频。1.Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video Super-Resolution代码链接1.1 总结之前的一些方法采用手工制作的正则化方法，并做出比较强的假设，这些方法限制了模型的容量和扩展到更多样的模式，同时计算量大。现在的一些深度学习的方法，一种直接的方法是组合对视频插针和视

图像处理之双线性插值法双三次插值（BiCubic插值）看了一些博客，上面两篇不错