论文
文章平均质量分 93
JOYCE_Leo16
计算机视觉,深度学习,图像处理
展开
-
Mamba入局遥感图像分割 | Samba: 首个基于SSM的遥感高分图像语义分割框架
本文将为大家介绍来自西交利浦大学、澳大利亚科学与工业研究院矿物研究所以及利物浦大学联合提出的最新工作Samba,这是一种基于状态空间模型的遥感图像语义分割方法。该工作提出了高分辨率遥感图像的语义分割框架 Samba,性能指标均超越了CNN-based和ViT-based方法,证明了Mamba在遥感高分图像中作为新一代backbone的潜力,为遥感语义分割任务提供了 mamba-based 方法的表现基准。值得一提的是,Samba是第一个将状态空间模型(SSM)运用到遥感图像语义分割任务中的工作,代码已开源,原创 2024-04-08 13:51:49 · 1693 阅读 · 5 评论 -
深度学习的图像超分技术综述-输入单张图像(SISR)和输入多张图像的基于参考的图像(RefSR)
输入为单张图像和多张图像:SISR方法输入一张低分辨率图像,利用深度神经网络学习LR-HR图像对之间的映射关系,最终将LR图像重建为一张高分辨率图像。RefSR方法借助引入的参考图像,将相似度最高的参考图像中的信息转移到低分辨率图像中并进行两者的信息融合,从而重建出纹理细节更清晰的高分辨率图像。原创 2023-09-07 15:25:27 · 397 阅读 · 1 评论 -
超分数据集概述和超分经典网络模型总结
现有的数据集主要分为两种类型1、只采集HR图像的数据集,如DIV2K,DIV8K等数据集,对于此类数据集可采用不同的退化方式获取相应的LR图像,从而构造匹配的LR-HR训练图像对,以这种方式获得的训练数据集一般被称为合成数据集。2、直接采集同一场景不同分辨率的图像,从而获取LR-HR图像对的数据集,如RealSR,DRealSR等数据集,这类训练数据集一般被称为真实数据集。原创 2023-05-31 11:18:00 · 2014 阅读 · 5 评论 -
超分辨率方法的比较——插值、重构、学习
参考论文:图像超分辨率模型的基本假设是,如果低空间分辨率图像遵循与创建低空间分辨率图像相同的重采样过程,则低空间分辨率图像中的缺失细节可以被重建或从其他高空间分辨率图像中学习。基于这一假设,近十年来,人们一直致力于精确预测点扩散函数(point spread function, PSF),它代表了形成低分辨率像素的混合过程。主要有三组方法:1)基于插值的方法,2)基于重构的方法,3)基于学习的方法。原创 2023-05-29 20:15:28 · 264 阅读 · 2 评论 -
SISR深度学习主要方法简述
单幅图像超分辨重建的深度学习方法综述方法分类方法名称方法描述基于插值的上采样方法最近邻插值使用距离最近的像素点的值进行插值操作双线性插值沿着图像的一个方向进行插值,然后再沿着另一个方向进行插值。插值的结果与先进行哪个方向的插值无关双立方插值使用的插值函数为三次多项式,也是进行图像两个方向的插值操作基于学习的上采样方法转置卷积也成为反卷积,卷积核大小为3x3,步长为1,并使用0进行填充的卷积操作亚像素卷积。原创 2023-05-02 15:14:30 · 493 阅读 · 0 评论 -
图像超分:真实感图像超分辨率的局部判别学习方法
图像超分:真实感图像超分辨率的局部判别学习方法《Details or Artifacts: A Locally Discriminative Learning Approach to Realistic Image Super-Resolution》单图像超分辨率(SISR)问题,它旨在从低分辨率(LR)图像重建高分辨率(HR)图像。最近,由于其生成丰富细节的潜力,使用生成对抗网络(GAN)的SISR引起了越来越多的关注。然而,GAN的训练不稳定,它经常在生成的细节中引入许多感知上不愉快的伪影。原创 2023-04-21 20:15:26 · 634 阅读 · 0 评论 -
图像超分:RFB-ESRGAN(Perceptual Extreme Super Resolution Network with Receptive Field Block)
esrgan_论文阅读 | 图像超分(七) RFB-ESRGAN_weixin_39559333的博客-CSDN博客NTIRE2020极限超分赛道的冠军。研究背景:单图像超分辨率重建,旨在恢复丢失的高频细节,同时保持内容一致性。大多数超分辨率网络架构都是基于提高峰值信噪比(PSNR)值来设计的。然而,PSNR导向方法重建的图像特别平滑,缺乏高频细节。为了改善超分辨率结果的感知质量,提出了基于感知的方法。生成对抗网络(GAN)被引入到超分辨率中以更自然地生成结果。研究目的。原创 2023-04-20 19:23:31 · 614 阅读 · 0 评论