![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
cs.CV论文笔记
文章平均质量分 89
Larryzx
这个作者很懒,什么都没留下…
展开
-
Perceptual Losses for Real-Time Style Transfer and Super-Resolution 解读
1.网络模型1.1 组成部分网络模型总体分为两部分:Image Transform Net和VGG-16Image Transform Net是参数W待训练的网络VGG-16是已经预训练好参数的网络1.2 工作原理(1) 输入为 :原始图像xxx风格目标图ysy_sys内容目标图ycy_cyc(2) Image Transform Net作用:将原始图像xxx经过Image Transform Net得到输出图像y^\hat{y}y^映射关系为: y^=原创 2022-03-13 14:28:28 · 909 阅读 · 0 评论 -
MASA-SR笔记
主要组成编码器 Encoder匹配与提取模块(MEM) Math & Extraction Modules空间自适应模块(SAM) Spatial Adaptation Modules将Ref特征的分布映射到LR特征的分布双残差聚合模块(DRAM)Dual Residual Aggregation Modules进行有效的特征融合名词解释LR 低分辨率图像Ref↓ 表示 x4双三次下采样参考图Ref 参考图编码器与之前使用预先训练过.原创 2022-03-13 14:27:54 · 963 阅读 · 1 评论 -
Image Style Transfe图像风格迁移
图像风格迁移损失函数组成Loss = w1 * Lc + w2 * LsLoss of content(Lc)Loss of style(Ls)Loss of content内容图和随机噪声图经过多次卷积滤波后,conten和noise在第4层的feature map的距离的平方和Loss of style先对风格图和噪声图的每一层卷积得到feature map对feature map求gram矩阵计算两者gram距离的平方和将5层的结果加权求和实验图原创 2022-03-13 14:27:23 · 383 阅读 · 0 评论 -
Memory-guided Unsupervised Image-to-image Translation论文翻译
Class-aware Memory Network结构理解每个class下有NkN_kNk个item,所有class的item数之和为N,即一共有N个item。满足 ∑k=1KNk=N\sum_{k=1}^K N_k = N∑k=1KNk=N对于每个class要用NkN_kNk个item的理解:比如一个class为人脸,那么人脸上的眼睛、嘴唇、皮肤都是不一样的特征,因此需要用到多个item表示一个classitem的组成每个item由( k , vxv^xvx ,.翻译 2022-03-13 14:26:03 · 359 阅读 · 0 评论 -
ChipGAN: A Generative Adversarial Network for Chinese Ink Wash Painting Style Transfer翻译
概要 风格转换已成功应用于照片,生成逼真的西方绘画。然而,由于中西绘画技法的内在差异,直接套用已有的方法,对中国水墨画风格的转换并不能产生令人满意的效果。本文提出了一种基于ChipGAN的端到端( end-to-end)生成对抗性网络体系结构,用于照片转化为中国水墨画。ChipGAN的核心模块实施了三个约束空白(voids)笔触( brush strokes)(画笔描边)水墨色调和扩散(ink wash tone and diffusion)以解决中国水墨画中普遍翻译 2022-03-13 14:23:38 · 1365 阅读 · 7 评论