SR总结文章阅读理解

最新推荐文章于 2024-08-15 10:52:55 发布
最新推荐文章于 2024-08-15 10:52:55 发布
阅读量1k 收藏 10
点赞数
分类专栏： SR 文章标签： SR 综述文章
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/happyday_d/article/details/89490315
版权

A Deep Journey into Super-resolution: A Survey

​ 本文总结了使用深度学习进行图像超分辨的30多种方法，对文章内容进行简单简介，具体内容参考原论文

1.网络结构分类

​ 文中作者将SISR分为9个类型，每个类型的代表模型如下图所示：
在这里插入图片描述

​ 下图对每个模型进行了图形归纳，如查看详细信息，请查阅相关论文。

在这里插入图片描述

2.计算量、参数与PSNR

​ 作者将一些算法的计算量和参数数量与PSNR的关系做了散点图，如下图所示，从计算量、参数量和PSNR来看，CARN、SRGAN、Selnet效果最好。

在这里插入图片描述

在这里插入图片描述

​ 下图是各个算法的整体比较，包括模型深度，Filters大小等。

在这里插入图片描述

3.客观评价和主观评价

​ 在常用数据集上对图像进行放大2、3、4倍，分别计算了PSNR和SSIM。

在这里插入图片描述
在这里插入图片描述

​ 下图为部分图像的视觉效果，SRGAN虽然PSNR和SSIM值不是最高，但显示效果较好，可以看出，PSNR高并不表示视觉效果一定会好。

在这里插入图片描述
在这里插入图片描述

4.未来研究方向

1）、结合先验知识，针对特定场景进行图像超分；

2）、目标函数和评价方法的改进；

3）、统一解决方案；

4）、非监督图像超分辨；

5）、更高放大倍数的图像超分；

6）、任意放大倍数的图像超分；

7）、真实场景和人为图像退化方向；

NH558J0
关注
专栏目录
【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
畅游计算机视觉的海洋
03-25 1万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
畅游计算机视觉的海洋
03-26 7531
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
深度学习在SR应用论文总结
yestin_L的博客
04-20 801
Image Super-Resolution Using Deep Convolutional Networks （SRCNN ） 想法来源 模拟稀疏编码（sparse coding），但稀疏编码需要关注dict的学习和优化，或者是建立有效的映射函数。 贡献 首个使用CNN结构实现端到端的超分辨率算法，尽可能地减少了对输入图片的预处理 建立了稀疏编码和深度学习在SR上的联系 论证了深度学习在超...
[论文总结] SR(超分辨问题总结)思维导图
qq_40079310的博客
08-11 996
因为最近接触超分辨问题比较多，为了便于分析，就做了个思维导图，总结一下最近接触到的8篇超分辨文章。 话不多说直接上图 顺便附上俩篇超分辨的笔记连接 [论文笔记] Enhanced Deep Residual Networks for Single Image Super-Resolution [论文笔记] Deep Back-Projection Networks For Super-Resol...
SR综述文章阅读--上采样--网络设计
qq_41332469的博客
11-20 2209
一、四种上采样网络架构 预先上采样：先利用插值法上采样到指定大小，再利用CNN学习LR与HR之间的映射。 优点： （1）与传统方法相比，深度cnn只需要对粗图像进行细化，大大降低了学习难度； （2）可以采用任意大小和比例因子的插值图像作为输入； 缺点： （1）预先上采样方法往往会带来一些副作用(例如噪声放大和模糊)； （2）而且由于大多数操作都是在更大的feature map中执行的，所以时间和...
SR综述论文总结
weixin_44319120的博客
11-26 1798
论文：A Deep Journey into Super-resolution: A Survey 作者：Saeed Anwar, Salman Khan, and Nick Barnes 论文概要 论文概要： 对比了近30个最新的超分辨率卷积网络在6个数据集上(3个经典的，3个最近提出的)的表现，来给SISR定下基准。分成9类。我们还提供了在网络复杂性、内存占用、模型输入和输出、学习细节、网...
深入了解AI--人工智能！读这篇文章就对了
小巧r的博客
09-08 2808
某日醒来，窗台上铺满花瓣，卧室轻放着你最喜欢的晨曲，窗帘徐徐拉开，风吹过来，温暖的阳光细洒在你的额头，早饭已在厨房飘来诱惑的味道，一切晨起步骤按部就班的进行，都在你的手中……这就是人工智能的生活，期待并想手起键落改变世界。本文将在三个方面让您了解人工智能，欢迎建设性意见和建议。一、人工智能的应用领域 * 语音识别。比如，小编我经常用的某飞输入法屡试不爽。 * 检测服务器及网络服务上应用的异常，让
SR8201.rar
02-25
本篇文章将围绕"SR8201"这款国产化PHY芯片，深入探讨其设计原理、应用领域以及相关的软件驱动，旨在为硬件工程师和软件开发者提供有价值的参考资料。 首先，我们来看"SR8201"的中文手册和英文手册。这些手册是理解...
【图像超分】论文精读：Boosting Flow-based Generative Super-Resolution Models via Learned Prior（BFSR）
最新发布
畅游计算机视觉的海洋
08-15 88
论文题目：Boosting Flow-based Generative Super-Resolution Models via Learned Prior —— 通过学习先验提高基于流的生成超分辨率模型CVPR 2024！基于流的超分辨率(SR)模型在生成高质量的图像方面表现出了惊人的能力。然而，由于采样温度固定，这些方法在图像生成过程中遇到了一些挑战，例如网格伪影、爆炸逆和次优结果。为了克服这些问题，这项工作在基于流的 SR 模型的推理阶段之前引入了一个条件学习。
【图像超分】论文精读：SeD: Semantic-Aware Discriminator for Image Super-Resolution
畅游计算机视觉的海洋
08-09 173
论文题目：SeD: Semantic-Aware Discriminator for Image Super-Resolution —— SeD:图像超分辨率语义感知鉴别器CVPR 2024！生成对抗网络 (GAN) 已被广泛用于恢复图像超分辨率 (SR) 任务中生动的纹理。特别是，一个鉴别器被用来使SR网络能够以对抗训练的方式学习真实世界高质量图像的分布。然而，分布学习过于粗粒度，容易受到虚拟纹理的影响，并导致违反直觉的生成结果。
SR算法程序
05-02
提供一个界面，通过设置可以用多种方法进行图像重建，比较其效果，算法包括插值法，pocs等
SR领域文献资源汇总（链接地址）
weixin_30482383的博客
10-21 309
DRCNhttp://www.drcn.org/ The International Workshop on Design of Reliable Communication Networks (DRCN) 2016年10月转: image super-resolution分类_DavFrank_新浪博客 http://blog.sina.com.cn/s/blog_82a9278801...
[Paper Note] A Deep Journey into Super-resolution：A Survery
Jemary_的博客
06-19 2908
基于深度卷积网络的超分辨率是一个快速发展的领域，具有许多实际应用。在本文中，我们在三个经典数据集和三个最近引入的具有挑战性的数据集上对超过30个最先进的超分辨率卷积神经网络（CNN）进行了比较，并以单图像超分辨率为基准来检验。我们提出了对基于深度学习的超分辨率网络的分类法，将现有方法分为九类，包括线性，残差，多分支，递归，渐进，基于注意力和对抗性设计。我们还比较了网络结构复杂性，内存占用，模型输入和输出，学习细节，网络损失类型和一些重要对结构差异（例如，深度，跳过连接，过滤器）。通过广泛的评估，显示出过去几
A Deep Journey into Super-resolution: A Survey阅读
weixin_34961608的博客
03-15 774
摘要 作者探索比较30+种基于CNN的单帧超分辨率方法，并且在3+种经典的数据集上测试比较。将现有方法分九类：linear、residual、multi-branch、recursive、progressive、attention-based、adversarial designs。同时从模型复杂度、内存占用、输入和输出、学习细节、网络损失类型、及结构重要差异（depth、skip-connections、filters)上分析比较。 作者评价使用的datasets和codes(https://gith
广域网技术——SR技术概括
m0_49864110的博客
03-19 9896
当B到E之间的链路发生故障时，IGP收敛完成后，需要等待LDP协议收敛分发标签，再等段的这段时间，LDP就无法分发新的标签，就相当于停运了，出现瞬间丢包行为，造成路由黑洞。SR由业务驱动网络，即由业务来定义网络的架构（不同业务对网络有不同的要求，控制器收集网络拓扑、带宽利用率、时延等信息，根据业务的需求计算出显式路径）通过MPLS TE，可以建立基于一定的约束条件的MPLS隧道，并将流量引入到隧道中进行转发，解决LDP无法控路的问题。（松散路径，自己通过IGP计算到节点SID有几条路，然后选择最优的）
第29章-SR技术概述
网络工程
05-06 1125
分段路由（Segment Routing，简称 SR）是基于源路由理念而设计的在网络上转发数据包的一种协议。SR 将网络路径分成一个个段，并且为这些段和网络节点分配 Segment ID（SID）。通过对SID进行有序排列 （Segment List，SID 列表）， 就可以得到一条转发路径。SR采用源路径选择机制，预先在源节点封装好路径所要经过节点分配的SID（Segmentdentifier，段标识），当报文经过 SR 节点时，该节点根据报文的SID对报文进行转发。
SR基础知识回顾
weixin_44319120的博客
12-12 636
文章目录zero padding的计算卷积层的计算池化层的计算残差网络receptive field zero padding的计算 zero padding：因为我们希望全尺寸输出，保证输入图像的尺寸- 卷积层的计算 W,D 向下取整 池化层的计算 W,H 向上取整 残差网络 参考博客：https://blog.csdn.net/u014665013/article/details...
SR技术概述与基本概念（SR-BE&SR-TE）
热门推荐
里晓山的博客
10-19 1万+
由应用提出需求（时延、带宽、丢包率等），控制器收集网络拓扑、带宽利用率、时延等信息，根据业务需求计算显式路径。二、SR概述：SR（Segment Routing，段路由）是基于源路由理念而设计的在网络上转发数据包的一种架构，而不是一个单独的技术。SR将网络路径分成一个个段（Segment），并且为这些段和网络中的转发节点分配段标识ID（即SID）。通过对段和网络节点进行有序排列（），就可以得到一条转发路径。SR将代表转发路径的段序列编码在数据包头部，随数据包传输。
《PhD Journey》Chapter 0 Preface
caitao_zhan
12-23 1142
去美国留学念CS PhD将会是一个人生的重要转折点。它可能是一个最好的决定，使得未来似乎变得无限可能；它可能是一个最坏的决定，念PhD念到一半念到怀疑人生，最终黯然退出。
CCIE SR 教程：深入理解内部网关协议
"CCIE SR 教程 - 一本关于CCIE路由与交换的详细教程，由Jc芷和钅Pa芷撰写，吴剑章翻译，由人民邮电出版社出版。" CCIE（思科认证互联网专家）是全球公认的最高级别的网络技术认证，尤其在路由与交换领域，它代表了...
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