(NewL1)Revisiting L 1 Loss in Super-Resolution: A Probabilistic View and Beyond（超分辨率中的L1损失：从概率观点来看待）

最新推荐文章于 2023-06-01 21:00:40 发布
最新推荐文章于 2023-06-01 21:00:40 发布
阅读量4.2k 收藏 1
点赞数 1
分类专栏： 超分辨率 文章标签： 深度学习 计算机视觉
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/hbw136/article/details/123569079
版权
本文从概率角度重新审视神经网络在超分辨率中的应用，指出L1损失忽视了图像恢复的非唯一性。作者提出一个新的目标函数，通过引入数据自适应随机变量，最小化合理解决方案的重建误差期望，适用于各种分布。实验证明，这种方法能为主流模型带来性能提升，同时提供模型不确定性估计，且不增加运行时成本。
摘要由CSDN通过智能技术生成

作者

Xiangyu He ,Jian Cheng

所属组织

NLPR, CASIA

论文地址：https://arxiv.org/abs/2201.10084

项目地址：暂无 

 

面对的问题

 

作为不适定问题的超分辨率有许多低分辨率输入的高分辨率候选（即结果可能性很多）。 然而，用于最适合给定 HR 图像的流行 L1 损失没有考虑图像恢复中非唯一性的这一基本的属性。

解决思路

最低0.47元/天 解锁文章
hbw136
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
[论文笔记] SegAN: Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation
xby的学习笔记存档处
03-25 3841
文章于2017年6月提交到Arxiv，投稿于 Neuroinformatics (2018)，Published online: 3 May 2018 作者单位：Department of Computer Science and Engineering,Lehigh University 文章截止2019.3.25的引用量为50 文章代码见github 首先，作者提出了一个问题：在医学图像分割...
阅读论文《Loss Functions for Image Restoration With Neural Networks》
CHNguoshiwushuang的博客
06-08 6169
   这是去年计算成像学领域的一篇论文（链接：https://ieeexplore.ieee.org/document/7797130/ ），重在讨论如何损失函数对图像恢复的影响。在目前的图像恢复任务中主要使用的还是L2损失函数，L2损失的好处有很多，例如可以直接提高PSNR等指标。但是L2指标与人类感知的图像质量相关性较差，例如其假设噪声与图像的局部区域无关。在有些情况下，L1损失函数获得的图像...
超分损失函数小结
bbbeoy的专栏
08-24 3798
原论文：Deep Learning for Image Super-resolution: A Survey 1.Pixel Loss：用来度量生成图片和目标图片的像素级的差异 1.1 L1 loss 1.2 L2 loss 1.3 Charbonnier loss：L1 Loss的变体，最后参数是一个很小常量（e.g., 1e − 3），为了使数值稳定 像素损失是最常见的损失，通常L2损失能够对大的损失进行惩罚，但是在小的损失上无能为力，效果不如L1，像素损失实际上并没...
faster rcnn的源码理解（一）SmoothL1LossLayer论文与代码的结合理解
野孩子的专栏
05-19 1万+
源码： // ------------------------------------------------------------------ // Fast R-CNN // Copyright (c) 2015 Microsoft // Licensed under The MIT License [see fast-rcnn/LICENSE for details] // Writte
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 5373
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
api-proxy-3scale-heroku:在Heroku上运行的示例3Scale API代理
05-10
第1步：获取3Scale和Heroku帐户 获取免费的帐户。 （系统提示时，建议让为您生成一个示例应用程序和帐户。）获得一个免费的帐户。 步骤2：配置3Scale Api代理并下载Nginx配置文件 按照设置Nginx代理。 配置沙箱代理...
def fun(alist, k): newL=[] newL=(alist[:k])[::-1]+(alist[k:])[::-1]这串代码里的k是什么含义
05-28
具体来说，这段代码将列表 `alist` 分为两个部分：第一个部分是前 `k` 个元素，第二个部分是第 `k+1` 个元素到列表末尾的所有元素。然后，对这两个部分分别进行翻转，并将它们连接起来形成一个新的列表 `newL`。
def fun(list): count = 0 for i in range(0,len(list)-1): newl = list newl.remove(list[i]) for a1 in newl: for a2 in newl: if list[i] == a1 + a2 and a2 > a1: count += 1 return count test = [2,3,5,6,8,9] result = fun(test) print(result) print(len(test))
03-23
这是一个 Python 代码段，其中定义了一个名为 "fun" 的函数，该函数接受一个列表作为参数...输出结果为 "1"，因为列表中存在两个元素 2 和 8，它们的乘积等于 16，而 16 也是列表中的一个元素。同时，列表的长度为 6。
解释matlab代码：newL2(L2 == Label2(i)) = Label1(c(i));
05-16
这段 MATLAB 代码的作用是将矩阵 `L2` 中所有等于 `Label2(i)` 的元素替换成 `Label1(c(i))`。 具体解释如下： - `L2 == Label2(i)` 是一个逻辑矩阵，其中所有等于 `Label2(i)` 的元素为 `1`，其他元素为 `0`。 - ...
【超分综述】
weixin_43690932的博客
01-13 1956
仅供自己参考
超分辨率提升IRN网络
chairon的博客
09-12 1274
IRN网络，实质就是为了解决图像还原的损失最小化（优化）的问题。（压缩后图像还原）首先我们采样图像等信号时候是连续的，而在计算机获取时候是离散的！所以，很明显信号状态由连续变为离散，这就会有损失了，那么损失误差是不是在容许的范围内，根据采样得到离散的点能不能还原出连续的信号？这就是该理论产生的原因，它就来帮助你解决这个问题！该采样定理的结论是：找到信号最大的频率分量，再用2倍于最大频率分量的采样频率对信号进行采样，从理论上解决了，离散信号能够重建出连续信号的问题。
【图像超分辨率重建】——SwinIR论文阅读笔记
最新发布
weixin_52143654的博客
06-01 1288
SwinIR阅读笔记
交叉熵损失函数和focal loss_深度学习（四）-损失函数
weixin_39963174的博客
11-23 432
最近看了一些检测的论文，发现检测的loss设计都会是多个Loss项的联合训练。这些loss设计对比图像增强的loss设计，我感觉要更加有意思。在用深度学习去做SR，deblur，denoise等任务时，常用就是L1_loss，MSEloss，VGG_loss,GAN_loss等。现在介绍一些分割，检测领域的loss函数及实现（有参考大佬们的文章）：1.二分类的交叉熵loss（当然还有多分类交叉熵，...
损失函数一直在波动_各种损失函数详解
weixin_39841610的博客
11-24 3449
开一篇文章，记录我遇到过的论文中损失函数。还没看过多少文章，所以目前接触的还比较少。简单的诸如0-1损失的就不提了，比较简单。2. 均方误差函数这个损失函数大家都能理解，形式比较简单: 。主要应用于回归任务，如在目标检测任务中对于坐标的损失计算。3. 交叉熵损失广泛应用于分类的损失函数，一般是先将网络输出进行一个softmax操作，将数值转为类别概率（以前一直疑惑为什么要用softmax，而不直...
L1 loss 和 L2 loss 比较
ls83776736的博客
07-10 1万+
1、L1 loss 在零点不平滑，用的较少  2、Smooth L1 Loss 修改零点不平滑问题  3、L2 loss：对离群点比较敏感，如果feature 是 unbounded的话，需要好好调整学习率，防止出现梯度爆炸的情况[fast rcnn]   4、一般来说，L1正则会制造稀疏的特征，大部分无用特征的权重会被置为0。 L2正则会让特征的权重不过大，使得特征的权重比较平均。 5、...
基于深度学习的图像超分辨率 损失函数总结
weixin_43514766的博客
12-01 1万+
本文总结了近年来在基于深度学习的图像超分辨率论文中使用过的损失函数，欢迎补充。 1. L1损失 L1损失，也被称为最小绝对偏差（LAD），最小绝对误差（LAE）。 计算的是实际值与目标值之间绝对差值的总和。在有监督的图像超分辨率任务中，目标是使得生成的图像（SR）尽可能接近真实的高分辨率图像（HR），使用L1损失计算的则是SR和HR对应像素位置的值的误差。 使用L1损失的模型（有的模型使用了不止一种损失函数，此处罗列的为损失函数中包含L1损失的方法）：LapSRN、EDSR、RDN、CARN、ESRGA
回归损失函数: L1 Loss
热门推荐
小花生的博客
05-07 2万+
平均绝对误差，L1损失 平均绝对误差（MAE）是另一种用于回归模型的损失函数。MAE是目标变量和预测变量之间绝对差值之和。因此它衡量的是一组预测值中的平均误差大小，而不考虑它们的方向（如果我们考虑方向的话，那就是均值误差（MBE）了，即误差之和）。范围为0到∞。 摘录：https://zhuanlan.zhihu.com/p/39239829 注：博众家之所长，集群英之荟萃。 ...
损失函数之-----L1 loss和L2 loss和smooth L1 loss -----用于回归任务
ZJE
09-08 1万+
1. L1 loss： 公式和求导公式： （带绝对值求导时，先去掉绝对值符号，再分情况求导） 一个batch的形式： L1 loss 图形和求导图形如下： 图的底部是预测值和label的差值。 我们可以看到L1 loss的底部是尖的。底部是不存在导数的。而在其他地方，导数大小都是一样的。 优缺点： 优点： 1. L1 loss的鲁棒性(抗干扰性)比L2 loss...
评论 2
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