Cross-SRN:Structure-Preserving Super-Resolution Network with Cross Convolution

最新推荐文章于 2024-01-17 16:31:50 发布
置顶 最新推荐文章于 2024-01-17 16:31:50 发布
阅读量5.6k 收藏 8
点赞数 1
分类专栏： 超分辨率 文章标签： 计算机视觉 深度学习
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/123794787
版权

Yuqing Liu, Qi Jia, Xin Fan, Senior Member, IEEE, Shanshe Wang, Siwei Ma, Member, IEEE,

and Wen Gao, Fellow, IEEE

论文地址：[2201.01458] Cross-SRN: Structure-Preserving Super-Resolution Network with Cross Convolution (arxiv.org)

项目地址：暂无

Cross-SRN的网络结构。整体网络Cross-SRN如下图所示，包括特征提取、层次特征利用和图像恢复三个步骤。红色的多尺度特征融合组(MFFG)的细节和深蓝色的交叉卷积块(CCB)的细节分别显示在左上角和右上角。

面对的问题

将低分辨率(LR)图像恢复为具有正确和清晰细节的超分辨率(SR)图像，具有挑战性。

问题引出

现有的深度学习工作几乎忽略了图像固有的结构信息，但structure对SR结果的视觉感知（visual perception）质量起着重要的作用。

解决思路

设计了一种层次特征利用网络

最低0.47元/天 解锁文章
hbw136
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
通过cross convolution networks预测视频
翻山越岭的那一边
10-27 644
cross convolution networks：cross convolution layer + network    主要目的在于用cross convolution layer能够分层表达图像中的动作。 主要思路是，将核解码器学习到的核分别应用到由图像编码器学习到的特征图中。 cross convolution layer的提出基础：  Motion can ofte
灰色模型matlab原代码-SRN-Deblur:SRN-去模糊
06-16
SRN-Deblur 测试 通过以下方式下载预训练模型： checkpoints/ download_model.sh 。 要测试文件夹中的模糊图像，只需使用参数--input_path=并将输出保存到--output_path= 。 例如： python run_model.py --input_...
SPIN: Structure-Preserving Inner Offset Network for Scene Text Recognition —— 论文阅读笔记
学无止境
03-03 1134
SPIN：用于场景文本识别的保留结构的内部偏移网络 Paper : 论文地址 本文提出的方法主要解决色彩失真的图片。如下图中的（c）和（d） SPIN（Structure-Preserving Inner Offset Network），一种可学习的几何无关的矫正，可以对网络中的原数据进行颜色处理。可以在任何识别体系结构之前插入此模块，以减轻下游任务的负担，使神经网络能够主动转换输入强度，而不仅仅是空间校正。 它也可以作为已知空间变换的补充模块，并以独立和协作的方式与它们一起工作。 色彩失真可以分为
Structure-Preserving Super Resolution with Gradient Guidance 译文SPSR
huaziyouyi的博客
05-11 2770
梯度制导结构保持超分辨 摘要 结构在单图像超分辨率（SISR）中起着重要作用。近年来，基于生成性对抗网络（GAN）的研究通过恢复真实感图像促进了SISR的发展。然而，在恢复的图像中总是存在不希望的结构失真。本文提出了一种结构保持的超分辨率方法来解决上述问题，同时保持了基于GAN的方法在产生感知愉悦细节方面的优点。具体来说，我们利用图像的梯度图从两个方面来指导恢复。一方面，通过梯度分支恢复高分辨率梯度图，为SR过程提供额外的结构性先验。另一方面，我们提出了一个梯度损失，对超分辨图像施加二阶限制。与之前的图
《Structure-Preserving Super Resolution with Gradient Guidance》论文阅读
Arthur_Holmes的博客
06-22 436
原文和代码的github地址：https://github.com/Maclory/SPSR   一、简介 虽然 GAN 可以使 SISR(单幅图像超分)生成比较真实的图像(photo-realistic images)，但生成的图像中仍然会存在一些结构性失真。为了缓解这个问题，本文提出了 SPSR 网络模型，利用图像的梯度图(gradient maps)去引导 SISR 过程，在保留 GAN 的优点的同时，...
卷积(convolution)和互相关(cross-correlation)
热门推荐
为实现四个现代化奋斗
03-08 5万+
现在大部分的深度学习教程中都把卷积定义为图像矩阵和卷积核的按位点乘。实际上，这种操作亦应该是互相关（cross-correlation），而卷积需要把卷积核顺时针旋转180度然后再做点乘。数学定义：卷积：互相关：在卷积层的反向传播中，其实是需要对前一层的误差（也叫敏感度sensitivity)做padding（补零）然后再和卷积核做真正的卷积操作，也就是需要把卷积核顺时针翻转180度。...
灰色模型matlab原代码-SRN-Deblur-test:SRN-Deblur-test
06-16
SRN-Deblur 测试 通过以下方式下载预训练模型： checkpoints/ download_model.sh 。 要测试文件夹中的模糊图像，只需使用参数--input_path=并将输出保存到--output_path= 。 例如： python run_model.py --input_...
SRN-DeblurNet:SRN-DeblurNet pytorch复制，提供了预训练的模型
04-27
SRN-DeblurNet 为了进行培训，我严格遵循原始论文的所有配置。 为了测试PSNR，我将GOPRO datset的测试集分为两半，一个用于验证，另一个用于测试，并获得29.58db PSNR（原始论文报道为30.26db ）。 提供了预训练的...
灰色模型matlab原代码-SRN-Learning-to-see-in-the-dark:SRN-在黑暗中学习
06-16
SRN-Deblur 测试 通过以下方式下载预训练模型： checkpoints/ download_model.sh 。 要测试文件夹中的模糊图像，只需使用参数--input_path=并将输出保存到--output_path= 。 例如： python run_model.py --input_...
matlab搜索图片代码-SRN_multilabel:SRN_multilabel
05-26
matlab搜索图片代码空间正则化网络 该存储库包含用于以下方面的训练代码，测试代码和训练后的模型 朱峰，李洪生，欧阳万里，于能海，王小刚，“通过图像级监督学习空间正则化以进行多标签图像分类”，CVPR ...
Modules Of YoloV5 Architecture
机器人视觉感知
09-12 1607
1.Bottleneck 来自于何凯明2014年工作Resnet 2.BottlenetCSP 与CSP论文描述的方式不一直，但CSP论文源码亦是通过此方式实现，参考YoloV5 Issues 781。 3. C3:Bottleneck with 3 Convolutional Blocks 将Bottleneck换成 SPP将变成 C3SPP,换成Transformer将变成C3TR, C3结构是Yolov5中提出的。 4. Focus Focus层作为Yolov5中提出的，在最前面对输入做处理的层
卷积的理解
leyzhao_421587457的博客
10-22 503
6年前，alpha go 战胜围棋大师李世石。掀起了一股人工智能讨论热。6年间，人工智能和计算机科学成了越来越热的专业，随着大数据分析等技术发挥出越来越高的商业价值，深度学习等名词也进入人们的视野。而深度学习的基础，指向“卷积神经网络（CNN）”以CNN为基础的深度学习广泛应用于图像分析技术。理解卷积神经网络，我们首先从理解卷积入手。
1×1的卷积/交叉通道池化（cross channel pooling）
maqian5的博客
06-12 4884
  在看论文Network in Network时，发现一个概念很陌生–cross-channel pooling。于是上网查，找到下面的一个回答：    大概意思是说：这个概念在论文Maout Networks中有解释。 假设你有一个线性模块，该模型有50个输出（或者说是有50个channels）,但是你想要的是5个输出。你就可以使用cross-channel pooling来减少对chan...
Channel-separation-based Network for Object Detection under Foggy Conditions
最新发布
weixin_47020721的博客
01-17 1095
现存的一些方法尝试恢复高质量图像，但这会增加网络复杂性并且丢失图像的潜在信息。在这项研究中，一个基于通道分离的检测网络被提出用来保存潜在信息。特别地，雾过滤器用于在图像处理期间执行修剪，以保持图像的潜在信息。通过把深层特征提取替换为一个即插即用模块（MBConvBlock）和使用一个新的CSPBottleNeck和CrossConv联合，我们的模型克服了卷积神经网络固有的缺点，并具有全局感受野和专注于更关键的特征。这个模型使用端到端的方法和混合数据进行训练，因此课题提高模型网络的泛化能力。
YOLOv5：图解common.py常用模块
FriendshipTang的博客
05-06 918
Python、PyTorch、YOLOv5、common.py、常用模块
10、YOLOv5-common.py文件解读
梦在黎明破晓时的博客
05-09 650
文件位置：./models/commonpy该文件是实现YOLO算法中各个模块的地方，如果我们需要修改某一模块（例如C3），那么就需要修改这个文件中对应模块的的定义。● 📌 本次任务：将YOLOv5s网络模型中的C3模块按照下图方式修改，并跑通YOLOv5。● 💫 任务提示：仅需修改./models/common.yaml文件。●📌 本篇文章来源：K同学的一对一辅导教案。
改进YOLOv5系列：5.CotNet Transformer结构的修改
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-08 1万+
目标检测小白科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
Cross-Domain Transformer用于无监督域自适应ICLR2022
白景屹的博客
05-13 3916
前置内容：Cross Attention（Transformer的解码器部分） 自注意力的计算回顾关于自注意力机制的思考； key-value注意力的计算为：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(\frac{QK^{T}}{\sqrt{d_{k}}})VAttention(Q,K,V)=softmax(dk​​QKT​)V 交叉注意力和自注意力均来自Transformer，除了输入，交叉注意力的计算与自注意力一样。交叉注意力不对称.
YOLOv5改进——使用深度可分离卷积轻量化C3
python_plus的博客
02-23 1万+
YOLOv5改进——使用深度可分离卷积轻量化C3
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