自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(7)
  • 收藏
  • 关注

原创 SR视觉loss有关论文

主要关注SR task网络的视觉loss,不再赘述网络结构。SR的目标不仅仅是重建的图像的PSNR/SSIM等指标高,更需要达到较好的视觉效果,而人类视觉主要关注图像的细节、边缘等。而如果单纯只用pixel-level的loss对网络进行约束,会导致over smoothing等问题。如图1,(Learning to Maintain Natural Image Statistics论文中fig 3)。而有研究表明,通过基于预训练网络提取的高级特征,定义和优化感知损失函数,可以生成高质量图像。inpu

2020-05-19 21:08:21 588

原创 Deep Learning for Single Image Super-Resolution: A Brief Review_架构部分

这篇论文是2018年的,所以总结的SR网络截止到2018年,后续会持续更新…以SRCNN为baseline,架构如图1,存在三个问题:(1)双三次插值存在问题:(a)引入了细节平滑效果这些输入可能导致进一步的错误估计图像结构;(b) time-consuming; ©如果上采样的内核未知,不应该用特定的插值方法得到input。如何得到一个有理有据的input?(2)SRCNN只有三层,更深的网络来达到更好的效果?(3)loss和架构的设计都没有与SR结合,如何与传统的SR task相融合?图1

2020-05-08 23:32:39 1169

原创 阅读 Blind single image super-resolution with a mixture of deep networks

解决blind SR问题论文的解决思路和网络框架有理论推导部分推导:设:LR图像为L,HR图像为H,SR建立从L到H的最佳模型的参数为θ*,即:→非盲(K已知):盲(K未知):?使用latent vector z∈{1,2,…,M}对K进行建模,那么H在L的边缘分布为:上式右边的结构,使得求最大值比较困难→根据詹森不等式:→上式右边第一项约束由F生成的图...

2020-05-02 14:54:40 345

原创 盲超分辨论文

盲超分辨论文退化模型设LR图像为y, HR图像为x, 下采样矩阵为D, 模糊核矩阵为K, 噪声为n,那么退化模型可以表示为: (1)SR算法所要解决的问题是:在已知y的情况下求x分两种情况:(1). 已知拍摄所用相机的PSF函数,将其作为K;未知PSF函数,模糊核设为高斯核(?)(2). 不对模糊...

2020-04-26 13:35:40 1391

原创 pycharm_运行不出结果,也不报错_Process finished with exit code 0

pycharm_运行不出结果,也不报错_Process finished with exit code 0用pycharm运行程序的时候,运行不出结果 ,也不报错,且正常退出解决1:将 run → edit configurations → run with python console 勾掉解决2:注意空格注意空格!!!我的情况是程序中一个小循环的空格缩进不对记录一下...

2020-04-04 12:13:55 25580 6

原创 4.1学习记录

记录下今天看的两篇论文。1. Image-to-Image Translation with Conditional Adversarial NetworksD:Patch GAN论文提到,虽然在图像生成方面,使用L1或者L2 loss会导致生成的图像产生模糊(fail to encourage high-frequency crispness),但是可以大多数情况下它们可以准确地捕捉低频信...

2020-04-01 22:14:38 164

原创 A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications_简单总结

SR_简单总结 ① GANrecursive networkResidual networkCNNAUTO ENCODERELSESR_简单总结 ①)GANGANISRGAN: Improved Super-Resolution Using Generative Adversarial Networks (CVC)G-GANISR: Gradual generative adversa...

2020-03-10 20:46:25 1698

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除