PixelShuffler原理

最新推荐文章于 2023-08-09 21:20:57 发布
最新推荐文章于 2023-08-09 21:20:57 发布
阅读量2.1k 收藏 7
点赞数 2
分类专栏： 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/qq_36552489/article/details/116117747
版权

PixelShuffler是一种端到端可学习的上采样模块，通过设置上采样比例，就可由低分辨率图像获取指定倍率的高分辨率图像。上采样可以理解为在同一个位置，原来只是以1:1的比例提取信息，而现在以1:4的比例提取信息，提取信息的频率更高了，所以能反映的细节也就更多。对于tensor来说，在同一个位置多提取信息，也就是通过卷积生成通道数更多的tensor。具体过程为（以一个（n,64,64,64）的特征图为例）

  • 通过卷积，得到通道数倍增的特征图（n,64,64,256）
  • 将特征图切割成若干份，对每一份（n,64,64,4）的像素点进行重新排列,reshape成(n,64,64,2,2），再reshape成（n,64,2,64,2），最后reshape成（n,128,128,1），再把这么多份拼接起来，得（n,128,128,64）的特征图
    在这里插入图片描述
    (操作有点类似RAW图的bayer阵列格式转成RGB格式的逆操作)
zephyrji96
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SRGAN-master.zip_SRGAN_deep learning_pixelshuffler srgan_srgan ?
07-15
深度对抗学习用于超分辨率成像，在Windows平台下 使用TensorFlow
PixelShuffler实现上采样的原理
qq_43258953的博客
04-02 3310
一，普通的上采样采用的临近像素填充算法，主要考虑空间因素，没有考虑channel因素，上采样的特征图人为修改痕迹明显，图像分割与GAN生成图像中效果不好。 二，PixelShuffler结合channel维度的信息来填充像素，可以实现超高分辨率，生成的图像更逼真，更完美。 三，PixelShuffler实际原理 pixelshuffle算法的实现流程如上图，其实现的功能是：将一个H × W的低分...
PixelShuffle原理笔记（paper，pytorch实现）
蓝羽飞鸟的博客
03-21 1万+
pixel shuffer是一种图像上采样的方法，参考paper 它在Pytorch中的实现为 torch.nn.PixelShuffer(r) 其中r为上采样倍率。 paper中提到，之前的上采样通过插值把低分辨率（LR）图像转换到高分辨率（HR），然后在HR特征空间处理，得到超分辨率（SR）图像。 paper提出了一种跳过插值转换HR的步骤，直接从LR特征空间转换为SR图像。 它基于的假设是，在很多SR技术中，高频数据是冗余的，因而可以直接由低频部分得到。 网络的前L-1层如下： W是conv2D，
PixelShuffle上采样原理讲解及程序实现
qq_44949041的博客
01-09 6171
PixelShuffle(Sub-Pixel Convolutional Neural Network，像素重组）是一种经典的上采样Upsample方法, torch.nn.PixelShuffle()，可以对缩小后的特征图进行有效的放大操作在，最初在处理图像超分辨率的问题上提出，是目前最优秀的上采样方法。变化公式为：[H,W,C*r*r]->[H*r,W*r,C]
基于深度学习的高分辨率重建上采样算法总结
qq_40379132的博客
10-04 1422
回到r，每个pixel有r2个channel，把它铺平，成为一个r x r的SR大像素，所以(r2C, H x W)就成了(C, r x r x H x W), 也就是(C, rH, rW)网络的输入是原始低分辨率图像，通过三个卷积层以后，得到的特征为r^2WH ，其中WH与输入图像大小相同，再将特征图像每个像素的 r^2个通道重新排列成一个 r*r 的区域，即将r^2WH特征经过重排得到rW*rH的输出，实现了图像r倍上采样。比如input的shape是(1, 64, 20, 30), r = 2,
【深度学习笔记】亚像素 / sub-pixel、亚像素卷积
学习带来的快乐最持久~
06-20 2万+
近段时间需要用到亚像素卷积的知识，因此上网查阅了论文和资料，此文是根据网上的博文以及相关论文，依据个人的理解整理而来。 总而言之，拾人牙慧而已。 Content1 亚像素的定义1.1 亚像素理解1.2 何谓亚像素？1.3 何谓亚像素精度？2 图像处理中的sub-pixel是什么意思？3 PixelShuffle参考文献 1 亚像素的定义 下面的内容引自1-2 1.1 亚像素理解 在相机成像的过程中，获得的图像数据是将图像进行了离散化的处理，由于感光元件本身的能力限制，到成像面上每个像素只代表附近.
PixelShuffle方法
rocking_struggling的博客
04-12 2万+
原文链接：https://blog.csdn.net/u014636245/article/details/98071626 PixelShuffle是一种上采样方法，可以对缩小后的特征图进行有效的放大。可以替代插值或解卷积的方法实现upscale PixelShuffle PixelShuffle(像素重组)的主要功能是将低分辨的特征图，通过卷积和多通道间的重组得到高分辨率的特征图。这一方法最...
PyTorch之PixelShuffle
Ton的博客
04-05 1万+
这里介绍一下PyTorch中torch.nn.PixelShuffle()这个层的背景介绍和相关用法。 参考文档： ①PyTorch中的PixelShuffle PixelShuffle层1 背景介绍2 用法简介2.1 实战代码2.2 效果展示 1 背景介绍 PixelShuffle层又名亚像素卷积层，是论文Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural .
深度学习（6）：图像超分辨率（Image Super Resolution）重建
liuyingshudian的博客
08-19 6436
GAN图像超分辨率重建
【torch.nn.PixelShuffle】和 【torch.nn.UnpixelShuffle】
zyw2002的博客
08-09 4093
PixelUnshuffle就是PixelShuffle的逆操作。如下图可以看到，PixelShuffle是把输入通道按照缩放因子。PixelShuffle是一种上采样方法，它将形状为。功能： 是PixelShuffle的逆操作，把大小为。输入的第二组（后4个通道）中的元素，每次间隔。，PixelShuffle的 缩放因子是。交错排列，合并成输出的第一个通道维度。交错排列，合并成输出通道的第二个维度。是 0 或者batch大小。的张量重新排列转换为形状为。通道）中的元素，每次间隔。的张量重新排列为大小为。
【ISP】CMOS(2)-像素类型
mjiansun的专栏
05-17 1228
最简单的Pixel结构只有一个PN结作为感光结构，以及一个与它相连的reset晶体管（RS）作为一个开关，如下图所示。当sensor 控制逻辑需要读出阵列中的某个特定像素时，需要发出该像素的行地址和列地址，地址会被两个译码器（address decoder）解析并激活该像素所在的行选择线和列选择线，使该像素的PN结电容经过RS三级管连接到输出放大器上，如下图所示。
PixelShuffle特征图的上采样的方法
TomRen
08-01 1万+
pixleshuffle像素重组方法-->亚像素卷积:一种图像特征图的上采样方法 ▲『N*(C*r*r)*W*H---->>N*C*(H*r)*(W*r)』
PyTorch中的PixelShuffle
热门推荐
gdymind的博客
09-04 2万+
感性认识 一般的convolution操作会使feature map变小， 但当我们的stride=1r<1stride=1r<1\text{stride} = \frac{1}{r} < 1时，可以让卷积后的feature map变大，这个新的操作叫做sub-pixel convolution，具体原理可以看Real-Time Single Image and Video Sup...
PixelShuffle
weixin_51826138的博客
02-28 190
可以让卷积后的feature map的高和宽变大——即分辨率增大，这个新的操作叫做sub-pixel convolution，具体原理可以看PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》的论文。正常情况下，卷积操作会使feature map的高和宽变小。
使用TensorFlow、Keras和深度学习实现像素无序超分辨率
qq_40985985的博客
06-06 699
这篇博客将介绍一种使用带有RDB的高效亚像素CNN实现超分辨率的方法。使用RDB对PSNR统计数据没有任何显著影响。然而可视化后，亚像素CNN产生的图像质量比原始图像要清晰一些。
PyTorch学习笔记 ——上采样和PixelShuffle
Hali_Botebie的博客
03-29 6624
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》的论文。 PyTorch 0.4.1将这些上采样的方式定义为Vision Laye
PixelShuffle详解和cuda实现
BigerBang的博客
09-12 4468
1.背景 1.1 PixelShuffle的出处 PixelShuffle这一操作出自论文[https://arxiv.org/abs/1609.05158](Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network), 论文中称为periodic shuffling operator。Pytorch将其实现为 torch.nn.PixleShuffl
python numpy实现PixelShuffle及其逆变换（depth_to_space，space_to_depth）
吹吹自然风
02-08 5819
文章目录PixelShuffle简介作用与来源特点PixelShuffle的原理numpy的reshape和transpose简介 PixelShuffle简介 作用与来源 PixelShuffle（PyTorch中的方法）的作用主要是增大特征图的空间分辨率，将Tensor的shape从(N,C∗r2,H,W)(N, C*r^2, H, W)(N,C∗r2,H,W)变为(N,C,H∗r,W∗r)(N, C, H*r, W*r)(N,C,H∗r,W∗r)，其中rrr必需是整数，所以它只能实现上采样，而不能做到
结合PixelShuffle操作，对高维张量reshape以及transpose维度交换的理解
tequila53的学习空间
07-26 207
以numpy为例，从二维矩阵的转置出发，理解高维张量的维度交换。记录一篇博客，供自己学习与记忆
python pixelshuffler
最新发布
09-06
PixelShuffler是一种用于上采样的操作，它可以将低分辨率图像转换为高分辨率图像。在Python中，可以使用以下代码来实现PixelShuffler函数： ```python def pixelShuffler(inputs, scale=2): size = tf.shape...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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