悲恋花丶无心之人的博客

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...

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...

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...