悲恋花丶无心之人的博客

目录一、介绍二、与SRResnNet相比三、BN层的意义四、残差缩放(residual scaling)的意义五、用预训练的×2网络初始化模型参数的意义六、MDSR七、损失函数使用L1而不是L2的原因八、实验结果一、介绍作者提出的模型主要是提高了图像超分辨的效果，并赢得了NTIRE2017超分辨率重建挑战赛。做出的修改主要是在ResNet上。作者移除...

ESRGAN：增强型超分辨率生成对抗网络 项目地址：https://github.com/xinntao/BasicSR摘要超分辨率生成对抗网络（SR GAN）[1]是一项开创性的工作，能够在单图像超分辨率期间生成逼真的纹理。然而，幻觉细节通常伴随着令人不快的伪影。为了进一步提高视觉质量，我们深入研究了SRGA...

Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network 项目地址：github(tensorflow):https://github.c...

Real-Time Video Super-Resolution with Spatio-Temporal Networks and Motion Compensation 摘要卷积神经网络实现了准确的图像超分辨率。然而，最近受益于视频超分辨率中的时间相关性的尝试仅限于朴素或低效的架构。在本文中，我们介绍了时空亚像素卷积网络，有效地利用时间冗余，提高重...

博主相关译文：VESPCN 论文翻译目录一、解决问题二、原理三、空间转换网络(STN)四、VESPCN中的STN五、运动补偿(MC)六、损失函数七、图像融合八、结果展示一、解决问题1.用于高清视频SR的现有超分方法，在实时性上没有有效利用时间相关性。2.ESPCN利用亚像素卷积进行操作，但没有对视频处理帧的情况。3.VSRnet也是一个不错的网络...

项目地址：https://github.com/thangvubk/FEQE.git目录一、简述二、需要解决的问题三、移动设备的计算机视觉任务发展四、优点五、FEQE网络结构图六、Instance Normmalization的有效性七、逆亚像素卷积八、均匀神经元贡献的优势九、损失函数十、实验部分十一、PIRM 2018 挑战赛十一、局限性一...

Image Super-Resolution Using Very Deep Residual Channel Attention Networks使用非常深的残差通道注意力网络的图像超分辨率项目地址：https://github.com/yulunzhang/RCAN目录一、提出CNN的不足二、解决的方法三、RCAN（残差通道注意网络）四、损失函数五、RIR（残差...

目录一、关注点二、做出的贡献三、3D物体纹理呈现的问题和相关方法的不足四、图像生成模型五、3D物体外观的超分辨率数据集——3DASR六、基于学习的方法七、实验结果八、总结一、关注点1.多个视点捕获对象的研究情况很少。2.3D对象外观的数据集很少。3.高质量的3D技术已经应用于电影制作，视频游戏和数字文化遗产保护等领域。然而使用这种技术将图像重新投影到...

Learning Parallax Attention for Stereo Image Super-Resolution目录一、关注点二、贡献三、表现四、常用SR方法在解决立体图像SR的不足和局限性五、PASSRnet具体流程六、PASSRnet体系结构图七、残差空洞空间金字塔池化（ASPP）八、视差注意模块(PAM)九、左右一致性和周期一...