- 博客(648)
- 资源 (13)
- 收藏
- 关注
RSS订阅
原创 【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
2025-01-14 18:19:51
10959
37
原创 【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
2024-03-25 15:50:42
22316
53
原创 【图像拼接（Image Stitching）】关于【图像拼接论文源码精读】专栏的相关说明，包含专栏内文章结构说明、源码阅读顺序、培养代码能力、如何创新等。总之，【图像拼接源码】复现看这一篇就够了！
本文是【图像拼接论文源码精读】专栏的相关说明，将一些共性的东西在这里做统一说明，就不在每一篇文章中重复了。【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）。先看该专栏说明，然后进入专栏阅读相关文章，建议同步订阅，同步阅读。本专栏针对图像拼接领域公布源码的文章进行源码解读，没有源码的文章在有源码的文章全部更新完毕后尝试复现。
2024-01-01 10:01:56
26575
15
原创 【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
2023-11-30 15:36:46
37029
28
原创 【图像超分】论文复现：轻量化超分 | CNN与Transformer混合！ESRT的Pytorch源码复现，跑通源码，补充训练好的模型权重！
本文介绍了ESRT超分辨率算法的实现与代码解析。文章亮点在于完整跑通ESRT源码，获得PSNR/SSIM等指标和超分可视化结果，补充了训练好的模型权重。内容包含数据集准备（DIV2K训练集）、训练流程（不同缩放因子的训练命令）、测试方法及结果展示。代码解析部分重点分析了ARFB模块结构和Channel Attention层的实现。该项目适合超分辨率领域新手，具有代码结构清晰、单GPU可运行的特点。完整代码和训练好的模型权重可通过订阅专栏免费获取。
2025-05-28 10:14:40
36
原创 【图像超分】论文复现：轻量化超分 | 卷积模拟自注意力ESC的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
本文介绍了超分辨率重建方法ESC的实现与测试流程。ESC通过卷积模拟自注意力机制，提出了一种高效图像超分方案。文章详细说明了代码运行步骤：包括环境配置（PyTorch 2.6.0+CUDA 12.4）、数据集准备（DIV2K等训练集和Set5等测试集）、模型测试（PSNR/SSIM指标与论文一致）和训练配置方法。提供了完整的项目文件说明和可视化结果展示，并指出使用lmdb格式数据可能比直接读取文件夹指标略低的特点。该实现将ESC封装成类似basicsr库的形式，支持通过配置文件灵活调整模型参数。
2025-05-28 10:13:48
26
原创 【图像超分】论文复现：轻量化超分 | 残差特征蒸馏网络RFDN的Pytorch源码复现，跑通源码，整合到EDSR-PyTorch中进行训练，补充CCA的实现！
本文介绍了将RFDN（残差特征蒸馏网络）整合到EDSR-PyTorch框架中的实现过程。主要内容包括：1）环境配置与数据集准备；2）测试源码提供的x4预训练模型，并通过修改图像裁剪函数解决HR与SR尺寸不一致问题；3）训练过程详解，包括将RFDN源码模块整合到EDSR框架中，调整模型参数输入方式。文章还提供了完整的代码实现、训练好的模型权重下载链接，并对RFDN架构进行了详细拆解与注释。通过将RFDN与EDSR相结合，实现了轻量级图像超分辨率重建，获得了PSNR/SSIM等指标及可视化结果。
2025-05-27 10:49:17
26
原创 【图像超分】论文复现：以SwinIR为例，使用KAIR工具箱训练和测试SR模型，详细解析KAIR各脚本功能，学会如何修改代码使用自己的数据训练自己的模型
文章摘要 本文详细介绍了如何将SwinIR模型整合到KAIR工具箱中，实现图像超分辨率重建任务。主要内容包括：1) 数据集准备与目录结构说明；2) 测试流程与命令示例（以SwinIR-light x4模型为例）；3) KAIR工具箱的使用方法与代码解析。文章还提供了论文源码、KAIR工具箱链接以及完整代码和训练模型的下载方式。该教程适用于需要在KAIR框架下训练自定义数据集的开发者，包含环境配置、训练测试、参数设置等关键步骤的详细说明，帮助读者快速复现论文结果。
2025-05-27 10:48:37
25
原创 【图像超分】论文复现：轻量化超分 | BSConv的出处！BSRN的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
本文介绍了基于BSRN模型的超分辨率重建实现方法。BSRN（Blueprint Separable Residual Network）是一种高效的图像超分辨网络，发表于CVPRW 2022。文章详细讲解了如何复现论文结果，包括环境配置、数据集准备、测试和训练流程。测试结果显示，在Set5等基准数据集上，BSRN的PSNR/SSIM指标与论文一致，可视化效果良好。训练配置采用DF2K数据集，支持多GPU并行。文章还提供了完整的代码框架说明和预训练模型下载链接，适合研究者快速复现和进一步开发。
2025-05-26 10:03:14
26
原创 【图像超分】论文复现：EDSR-Pytorch框架 | 无报错跑通，全代码解析
本文介绍了EDSR超分辨率模型的Pytorch实现代码解析。首先详细说明了如何快速跑通代码，包括环境配置、测试单图像和benchmark的步骤，以及常见问题的解决方法。其次，对代码结构进行了全面解析，从主函数main.py开始，分别介绍了各脚本的功能，包括数据加载、损失函数、模型实现等模块。文中还提供了训练命令示例和注意事项，特别强调了对参数文件和路径的正确设置。该代码解析有助于研究者快速上手EDSR框架，为后续基于该框架的超分辨率研究提供便利。
2025-05-26 10:02:13
717
原创 【图像超分】论文复现：轻量化超分 | 高效卷积网络ShuffleMixer的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
本文介绍了ShuffleMixer高效超分辨率网络的实现流程，包括环境配置、数据集准备、模型测试与训练。亮点包括：1）完整复现论文指标的PSNR/SSIM结果；2）提供详细代码注释和架构拆解；3）支持不同放大倍数的训练测试。使用DF2K作为训练集，在Set5等测试集上验证效果。文章还包含模型权重下载、数据预处理脚本和训练配置文件说明，可帮助读者快速复现论文结果。
2025-05-25 13:15:02
32
原创 【图像超分】论文精读：Local Implicit Wavelet Transformer for Arbitrary-Scale Super-Resolution（LIWT）
本文提出了一种基于小波变换的局部隐式方法LIWT，用于任意尺度超分辨率重建。传统方法依赖坐标查询RGB值，忽略了高频先验，导致纹理细节模糊。LIWT创新性地引入离散小波变换（DWT）分解特征，设计小波增强残差模块（WERM）提取高频信息，并通过小波互投影融合（WMPF）和隐式注意力（WIA）机制充分利用这些先验。实验表明，LIWT在任意尺度超分任务中性能优越，能有效恢复高频细节。该方法突破了传统DWT的2次幂尺度限制，为超分辨率提供了新思路。
2025-05-25 13:13:53
33
原创 【图像超分】论文精读：Efficient Mixed Transformer for Single Image Super-Resolution（EMT）
本文提出了一种高效混合变压器(EMT)用于单幅图像超分辨率(SISR)，解决了现有Transformer方法在局部性机制和计算复杂度方面的不足。EMT由混合变压器块(MTB)组成，其中部分自注意力层被无参数的像素混合器(PM)替代，通过像素移位操作增强局部知识聚合，同时不增加计算负担。此外，作者提出条带窗口自注意力(SWSA)机制，利用图像各向异性特征实现高效的全局依赖建模。实验结果表明，该方法在基准数据集上取得了最先进的性能，同时保持了较低的复杂度。本文的创新点包括：1)提出PM模块增强局部性；2)设计S
2025-05-24 19:42:34
9
原创 【图像超分】论文精读：Transcending the Limit of Local Window: Advanced Super-Resolution Transformer with Adapti
论文题目：Transcending the Limit of Local Window: Advanced Super-Resolution Transformer with Adaptive Token Dictionary —— 传输局部窗口的极限：具有自适应令牌字典的高级超分辨率转换器CVPR 2024！单图像超分辨率是一个经典的计算机视觉问题，涉及从低分辨率 (LR) 图像中估计高分辨率 (HR) 图像。尽管深度神经网络(DNNs)，特别是超分辨率变形金刚，近年来取得了重大进展，但。
2025-05-24 19:42:03
22
原创 【图像超分】论文精读：DDistill-SR: Reparameterized Dynamic Distillation Network for Lightweight Image Super-Res
本文介绍了一种名为DDistill-SR的轻量级图像超分辨率网络，旨在通过静态-动态特征蒸馏方式提高超分辨率质量。现有的深度卷积神经网络（CNN）在超分辨率任务中通常通过减少参数和计算来提升效率，但往往忽略了直接特征的细化，导致信息不足。DDistill-SR通过引入重新参数化的动态单元（RDU）和动态蒸馏融合（DDF）模块，解决了这一问题。RDU在训练阶段通过分析不同输入统计信息，动态组合多个可重新参数化的块，增强层级表示；在推理阶段，RDU被转换为简单的动态卷积，捕获鲁棒的静态和动态特征。
2025-05-23 11:00:48
43
2
原创 【图像超分】论文精读：PlainUSR: Chasing Faster ConvNet for Efficient Super-Resolution
本文介绍了PlainUSR，一种旨在加速卷积神经网络（ConvNet）以实现高效超分辨率（SR）的新框架。PlainUSR通过三个关键改进来减少延迟：1）卷积块方面，采用重新参数化技术将MobileNetv3块压缩为普通卷积，以平衡内存访问和计算；2）注意力模块方面，引入基于局部重要性的注意力（LIA），通过区域重要性图和门调制输入实现高阶信息交互；3）主干网络方面，提出PlainU-Net，执行通道区分拆分和连接。
2025-05-23 11:00:11
17
原创 【图像超分】论文精读：See More Details: Efficient Image Super-Resolution by Experts Mining（SeemoRe）
文章摘要： 本文介绍了 SeemoRe，一种基于专家挖掘的高效图像超分辨率（SR）模型，旨在从低分辨率（LR）图像重建高分辨率（HR）图像。传统方法通过堆叠复杂操作实现高精度，但计算负担较大。SeemoRe 通过结合不同级别的专家，采用协作方法，显著降低了计算成本。在宏观层面，模型通过秩调制专家（RME）和空间调制专家（SME）处理特征；在微观层面，采用低秩混合（MORE）动态选择最佳特征。实验表明，SeemoRe 在计算效率上优于现有模型，同时保持了高重建精度。主要贡献包括提出了一种高效的统一学习模块，并
2025-05-22 14:28:33
35
原创 【图像超分】论文精读：Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution
本文介绍了一种轻量级图像超分辨率（SISR）方法——线性自适应混合器网络（LAMNet），旨在通过卷积替代自注意力机制，降低计算复杂度和推理延迟。LAMNet结合了卷积神经网络（CNN）的高效推理能力和Transformer的自适应建模能力，提出了线性焦点可分离注意力（FSA）和超轻量级信息交换模块（IEM），并通过双门控前馈网络（DGFN）增强空间和通道信息的建模。实验表明，LAMNet在保持计算效率的同时，性能优于现有的基于自注意力的Transformer方法，推理时间加速3倍。
2025-05-22 14:27:22
29
原创 【图像超分】论文复现：轻量化超分 | 频域感知Transfomer模型FreqFormer的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
本文详细介绍了FreqFormer模型的代码实现与应用。该论文提出了一种基于频率感知的轻量级Transformer架构，用于图像超分辨率任务。文章提供了完整的代码运行指南，包括环境配置、数据集准备、测试与训练流程。通过FreqFormer_x2/x3/x4模型在Set5等测试集上的表现，验证了其PSNR/SSIM指标与论文结果一致。代码解析部分聚焦于模型架构实现，展示了从基础模块到完整网络的设计思路。项目基于BasicSR框架，支持分布式训练，提供了清晰的配置文件示例和训练命令，方便研究者复现和改进。
2025-05-21 15:15:14
396
原创 【图像超分】论文复现：在K和V后添加置换操作！ConvFFN的出处！SRFormer的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
本文介绍了SRFormer超分辨率重建模型的代码实现与测试方法。通过详细的环境配置、数据集准备和测试流程说明，帮助读者快速复现论文结果。文章亮点包括完整的源码解读、模型权重下载、以及PSNR/SSIM等指标的可视化对比。实验结果表明，SRFormer在经典、轻量化和真实世界超分任务中均取得优异性能，与论文数据一致。配套资源包含训练好的模型权重和测试结果图片，便于研究者直接使用与验证。
2025-05-21 15:14:13
601
原创 【图像超分】论文复现：轻量化超分 | 自调制特征聚合网络SMFANet的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
专栏亮点包括详细解析SMFANet架构、提供完整代码和预训练模型权重文件，帮助读者从理论到实践全面掌握超分辨率技术。适配人群为对图像处理、深度学习感兴趣的开发者和研究者。专栏内容涵盖超分辨率的基本概念、实现流程、研究方向，以及相关论文、代码和数据集的汇总。通过本专栏，读者可以跑通SMFANet源码，获得与论文一致的PSNR/SSIM等指标，并理解模型的训练与测试流程。此外，专栏还提供了环境配置、数据集准备、模型训练与测试的详细步骤，帮助读者快速上手。
2025-05-20 11:48:31
582
原创 【图像超分】论文复现：轻量化超分 | 内容感知令牌聚合网络CATANet的Pytorch源码复现，跑通源码，获得指标、模型复杂度、超分结果图，架构拆解与源码对应，注释详细！
专栏亮点包括跑通CATANet源码，获得与论文一致的PSNR/SSIM、Params、FLOPs等指标，并提供了详细的架构拆解与源码实现。适配人群为对图像超分辨率技术感兴趣的开发者与研究者。专栏内容涵盖超分辨率的基本理解、实现流程、研究方向，以及论文、代码和数据集的汇总。文章还提供了完整代码和训练好的模型权重文件下载链接，订阅专栏可免费获取。通过环境配置、数据集准备、测试与训练步骤的详细说明，读者可以快速上手并复现CATANet的实验结果。
2025-05-20 11:47:54
383
原创 【图像超分】论文复现：相邻层之间的Attention Map也能利用？PFT的Pytorch源码复现，跑通源码，解决报错，获得与论文一致的PSNR/SSIM、Params、FLOPs、超分可视化结果！
本文介绍了【超分辨率重建】专栏的相关内容，重点解析了PFT（Progressive Focused Transformer）模型的实现流程与代码运行。专栏提供了详细的代码、训练好的模型权重文件下载链接，并适配Python 3.9、PyTorch 2.5.0和cuda11.7环境。文章详细说明了如何配置SMM、解决报错，并提供了数据集准备、测试benchmark的步骤。通过跑通PFT源码，读者可以获得与论文一致的PSNR/SSIM、Params、FLOPs等结果，并理解PFT的核心思路与PFA模块。专栏还汇总
2025-05-19 10:35:53
568
原创 【图像超分】论文精读：Progressive Focused Transformer for Single Image Super-Resolution（PFT）
本文介绍了一种名为渐进聚焦变压器（PFT）的新方法，用于单幅图像超分辨率（SR）任务。PFT通过渐进聚焦注意（PFA）机制，有效解决了传统Transformer方法在计算注意力权重时的高计算成本问题。PFA通过继承前一层的注意力信息，过滤掉不相关的特征，从而减少不必要的相似度计算，并集中关注最重要的特征。实验结果表明，PFT在多个SR基准测试中实现了最先进的性能，显著降低了计算开销，同时提高了图像重建质量。本文的主要贡献包括提出了PFA机制、实例化了PFT模型，并通过广泛的实验验证了其有效性。
2025-05-19 10:35:31
74
原创 【图像超分】论文精读：Emulating Self-attention with Convolution for Efficient Image Super-Resolution（ESC）
本文提出了一种轻量级图像超分辨率（SR）方法，通过卷积模拟自注意力机制，显著降低了计算成本和内存使用。传统的变压器模型在SR任务中表现出色，但其自注意力机制导致高计算复杂度和内存开销。为解决这一问题，本文提出了卷积注意力模块（ConvAttn），该模块利用共享的大内核和动态内核来模拟自注意力的远程建模能力和实例相关权重，从而减少对自注意力的依赖。此外，通过集成闪存注意力，进一步优化了内存使用，允许将窗口大小扩展到32×32，显著提升了性能。实验结果表明，所提出的ESC网络在保持变压器表示能力的同时，显著降低
2025-05-18 11:20:50
53
原创 【图像超分】论文精读：Partial Large Kernel CNNs for Efficient Super-Resolution（PLKSR）
本文介绍了一种用于高效超分辨率（SR）的部分大核卷积神经网络（PLKSR），旨在结合卷积神经网络（CNN）的高效率和Transformer处理远程依赖的优势。传统上，Transformer在SR任务中表现优异，但其计算开销较大。PLKSR通过引入大内核卷积和逐元素注意力模块，显著降低了计算复杂度，同时保持了高性能。实验表明，PLKSR在多个数据集上实现了最先进的性能，与现有方法相比，延迟减少了68.1%，最大GPU内存占用减少了80.2%。此外，PLKSR通过优化输入特征的处理和划分，进一步提高了效率。本文
2025-05-18 11:19:57
60
原创 【图像超分】论文精读：Efficient Attention-Sharing Information Distillation Transformer for Lightweight Single I
本文介绍了一种名为注意力共享信息蒸馏（ASID）网络的轻量级单图像超分辨率（SISR）方法。ASID网络结合了Transformer和卷积神经网络（CNN）的优势，通过引入注意力共享和信息蒸馏结构，显著降低了计算复杂度。与现有的基于CNN和Transformer的SR方法相比，ASID在保持高性能的同时，仅需约300K个参数，表现出更高的效率和有效性。实验结果表明，ASID在参数数量匹配的情况下，优于当前最先进的SR方法。论文还提供了代码和补充材料，供进一步研究和应用。
2025-05-17 11:05:53
50
原创 【图像超分】论文精读：Dual-domain Modulation Network for Lightweight Image Super-Resolution（DMNet）
本文提出了一种用于轻量级图像超分辨率（SR）的双域调制网络（DMNet），旨在解决现有基于频率的SR方法在平衡整体结构和高频分量重建方面的不足。DMNet结合了小波域调制自变压器（WMT）和傅里叶监督，通过同时利用小波和傅里叶信息，有效调制频率特征，降低计算成本。实验结果表明，DMNet在保持与SRFormer和MambaIR相当的超分辨率质量的同时，显著减少了计算复杂度和推理时间。具体而言，DMNet的FLOPs分别不到SRFormer和MambaIR的50%和60%，推理速度分别快15.4倍和5.4倍。
2025-05-17 11:05:08
50
原创 【图像超分】SR常用数据集的下载、处理、使用、说明、文件结构、参考文献引用（持续更新）
本文介绍了超分辨率重建领域常用的训练集和测试集，重点描述了DIV2K和DF2K数据集的结构、下载方式及处理流程。DIV2K包含800张训练图像，通常与Flickr2K结合形成DF2K数据集，共3450张图像。处理后的图像块用于训练，文件结构清晰。测试集包括Set5、Set14、BSD100、Urban100和Manga109，提供了下载链接和引用信息。文章还提到不同裁剪方式对指标的影响，建议使用原版benchmark以确保公平比较。
2025-05-16 11:13:51
58
原创 【高效科研】提升科研做图效率！实用的局部放大图工具，可多图实时查看局部放大区域对比，点击鼠标即可同时裁剪并保存局部放大区域！
本文介绍了一个用于图像去噪和超分辨率重建的可视化工具，旨在解决多模型结果对比时的痛点。该工具允许用户在同一屏幕上查看多张图像的局部放大区域，并保存带有红色矩形框的原图及各模型的局部放大结果。使用Python和tkinter开发，用户可通过鼠标选择感兴趣区域，快速生成对比图，并利用PPT进行排版。工具支持自定义放大倍数、区域尺寸和矩形框线宽，适用于任何相同图像大小、不同方法之间的对比任务。代码可通过指定链接下载，订阅相关专栏后可免费获取工具。
2025-05-16 11:13:01
579
原创 【图像超分】论文复现：大核频率增强网络LKFN的Pytorch源码复现，跑通源码，获得与论文一致的PSNR/SSIM、Params、FLOPs、超分可视化结果，对比LKFN和LKDN，学习改进思路！
本文介绍了关于超分辨率重建的专栏内容，重点讲解了LKFN（Large Kernel Frequency-enhanced Network）模型的实现与应用。专栏提供了详细的代码和训练好的模型权重文件，适合对图像超分辨率技术感兴趣的读者。文章首先介绍了LKFN模型的架构和实现流程，包括从源码跑通到获得与论文一致的PSNR/SSIM等指标。接着，详细说明了数据集的准备和测试步骤，提供了测试和训练的具体配置文件和命令。通过对比LKFN和LKDN模型，读者可以学习到改进思路。专栏还汇总了相关论文、代码和数据集，帮助
2025-05-15 10:20:49
55
原创 【图像超分】论文精读：Large Kernel Frequency-enhanced Network for Efficient Single Image Super-Resolution（LKFN）
本文介绍了一种新型高效单幅图像超分辨率（SISR）方法——大核频率增强网络（LKFN）。传统超分辨率方法主要依赖空间域注意力机制，受限于局部性和有限感受野。LKFN创新性地将频域引入注意力机制，提出频率增强像素注意（FPA），利用频域的全局属性提升模型性能。此外，LKFN采用大核卷积和部分卷积，增强特征提取能力，同时保持轻量级设计。实验表明，LKFN在模型尺寸和计算效率上优于现有方法，实现了最先进的超分辨率性能。本文还探讨了频域操作在超分辨率任务中的适用性，并提出了改进方案。
2025-05-15 10:17:58
58
原创 【图像去噪/超分】论文精读：A Comparative Study of Image Restoration Networks for General Backbone Network Design
本文探讨了图像恢复网络在不同任务中的通用性问题，提出了一个通用的骨干网络X-Restormer。现有的图像恢复网络在特定任务上表现出色，但在其他任务中表现不佳，表明其任务通用性有限。通过对五个代表性网络（MPRNet、Uformer、SwinIR、Restormer和NAFNet）在五个经典图像恢复任务（超分辨率、去噪、去模糊、去雨和去雾）中的比较研究，作者分析了不同任务的特征和网络性能差异的原因。基于此，作者提出了X-Restormer，通过增强Restormer的空间映射能力，显著提升了其在多个任务中的
2025-05-14 10:46:12
87
原创 【图像超分】论文精读：DLGSANet: Lightweight Dynamic Local and Global Self-Attention Networks for Image Super-Re
DLGSANet是一种轻量级动态局部和全局自注意力网络，旨在解决图像超分辨率问题。该网络结合了Transformer的特性，同时保持较低的计算成本。DLGSANet的核心模块包括多头动态局部自注意力（MHDLSA）和稀疏全局自注意力（SparseGSA），分别用于提取局部特征和选择最有用的全局特征相似度。这些模块被集成到混合动态变换器块（HDTB）中，多个HDTB构成残差混合动态变换器组（RHDTG）。通过将RHDTG嵌入到端到端可训练网络中，DLGSANet在保持较少网络参数和低计算成本的同时，实现了与现
2025-05-14 10:45:28
38
原创 【图像超分】论文复现：高效大核蒸馏超分网络LKDN的Pytorch源码复现，跑通源码，获得与论文一致的PSNR/SSIM、Params、FLOPs、超分可视化结果、重参数化、新优化器Adan等详解！
本文介绍了关于超分辨率重建专栏的详细内容，重点讲解了如何跑通LKDN（Large Kernel Distillation Network）源码，包括环境配置、数据集准备、测试和训练流程。专栏提供了完整的代码和训练好的模型权重文件下载链接，适合对超分辨率技术感兴趣的读者。通过LKDN架构的拆解与实现，读者可以学习到重参数化原理、蒸馏手段以及新优化器Adan的使用。本文还详细说明了如何配置测试和训练环境，并展示了与论文一致的实验结果和可视化效果。
2025-05-13 12:26:29
252
原创 【图像超分】论文精读：Lightweight Image Super-Resolution with Superpixel Token Interaction（SPIN）
论文《Lightweight Image Super-Resolution with Superpixel Token Interaction》提出了一种基于超像素令牌交互的轻量级图像超分辨率方法（SPIN），旨在解决传统Transformer方法在单图像超分辨率（SISR）任务中计算成本高、分块处理导致伪影和缺乏可解释性的问题。SPIN通过超像素对局部相似像素进行聚类，形成可解释的局部区域，并设计了超像素内注意（ISPA）和超像素交叉注意（SPCA）模块，分别用于局部信息交互和全局信息传播。
2025-05-13 12:25:49
49
原创 【图像超分】论文复现：无处不在的双分支通道-空间特征聚合思想！DAT的Pytorch源码复现，获得与论文一致的PSNR/SSIM、Params、FLOPs、超分可视化结果，架构拆解与代码实现！
本文介绍了关于超分辨率重建的专栏，重点讲解了双聚合变压器（DAT）在图像超分辨率中的应用。专栏提供了详细的代码实现、模型权重文件下载链接，并涵盖了DAT、DAT-2、DAT-S和DAT-light等不同版本的源码跑通方法。文章详细说明了环境配置、数据集准备、测试流程以及如何通过配置文件进行模型测试。通过该专栏，读者可以学习双分支特征聚合思想，积累即插即用模块，并获得与论文一致的PSNR/SSIM等超分可视化结果。专栏适配于对图像超分辨率技术感兴趣的开发者和研究人员。
2025-05-12 13:57:31
1997
原创 【图像超分】论文精读：Large Kernel Distillation Network for Efficient Single Image Super-Resolution（LKDN）
本文介绍了一种用于高效单幅图像超分辨率（SISR）的大核蒸馏网络（LKDN）。该网络通过简化模型结构、引入更有效的大核注意力模块（LKA）以及采用重新参数化技术，显著降低了计算成本并提升了性能。LKDN基于BSRN模型，通过减少冗余模块和优化注意力机制，实现了更高的计算效率。此外，LKDN引入了Adan优化器，进一步提高了训练速度和模型性能。实验结果表明，LKDN在轻量级SR任务中表现优异，超越了现有的高效SR方法，达到了最先进的性能。本文的主要贡献包括简化模型结构、引入高效的注意力模块、使用重新参数化技术
2025-05-12 13:57:01
89
原创 【图像超分】论文精读：Dual Aggregation Transformer for Image Super-Resolution（DAT）
论文《Dual Aggregation Transformer for Image Super-Resolution》提出了一种新的图像超分辨率模型——双聚合Transformer（DAT）。该模型通过结合空间和通道维度的自注意力机制，提升了图像超分辨率的性能。DAT的核心设计包括：1）在连续的Transformer块中交替应用空间和通道自注意力，实现块间特征聚合；2）提出了自适应交互模块（AIM）和空间门前馈网络（SGFN），用于块内特征聚合。AIM通过空间交互和通道交互增强自注意力机制，而SGFN在前馈
2025-05-11 15:50:40
52
原创 Towards scanning electron microscopy image denoising: a state-of-the-art overview, benchmark, taxono
本文综述了扫描电子显微镜（SEM）图像去噪技术的最新进展，重点介绍了从经典方法到深度学习方法的演变。SEM图像在材料、地球和生命科学中广泛应用，但常受高噪声影响，影响图像质量。文章详细分类了图像去噪技术，包括空间域、频域和基于神经网络的方法，并对最新技术进行了基准测试。研究发现，现有深度学习技术在降噪与信息保留方面存在不足，提出了结合生成对抗网络（GAN）和卷积神经网络（CNN）等网络结构的改进方法。未来研究方向包括开发更有效的去噪技术，特别是针对SEM图像，以及利用可解释AI解决过度平滑和信息丢失问题。
2025-05-11 15:49:40
890
图像超分辨率WDSR的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-30
图像超分辨率RDN的Pytorch版本复现代码，注释详细，易读易复用，含最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-04-28
Python实现多图像转换成连贯的PDF文件，支持所有图片格式，可预览、裁剪、自定义PDF布局、设置图像顺序、PDF质量选择等
2024-04-28
一步到位绘制计算机视觉领域的局部放大图，对比各模型的可视化效果，可多图实时查看局部放大区域对比，点击鼠标即可同时裁剪并保存局部放大区域！
2025-05-16
图像拼接论文Seam-guided local alignment and stitching for large parallax images源码，跑通+注释
2025-02-27
图像超分专栏内文章单篇购买：图像超分论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的
2025-02-19
图像去噪Self2Self(S2S)的Pytorch复现代码，跑通代码，原理详解，代码实现、网络结构、论文公式相互对应，注释清晰
2024-12-06
图像去噪ECNDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据
2024-09-19
图像去噪Noise2Void（N2V）的Pytorch复现代码，基于U-Net模型实现，原理详解，注释详细，包含训练好的模型
2024-09-10
图像去噪RNAN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-09-07
图像去噪Noise2Noise的Pytorch复现代码，基于REDNet30模型实现，N2N原理详解，注释详细，包含训练好的模型
2024-09-06
图像去噪IRCNN的Pytorch极简复现代码，包含计算PSNR/SSIM以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-30
图像去噪MWCNN的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-29
图像去噪MemNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-25
图像去噪REDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接使用，训练自己的数据集
2024-08-24
图像去噪RIDNet的Pytorch复现代码，包含计算PSNR/SSIM代码以及训练好的模型文件，可以直接用于真实图像去噪
2024-08-20
PPT绘制超分辨率论文中网络结构图，多种模板可供选择，包括3D立体效果的网络结构、2D平面结构以及相关组件的绘制
2024-08-12
图像去噪DnCNN的Pytorch完复现代码，源码基础上添加DnCNN-B/CDnCNN-B、DnCNN-3的训练和测试复现
2024-08-12
图像超分辨率RCAN的Pytorch复现代码，科研绘图，指标计算，最优SSIM和PSNR的模型权重文件（x2、x3、x4、x8）
2024-05-22
图像超分辨率FSRCNN的最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-16
图像超分辨率SRCNN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-14
图像超分辨率ARCNN的Pytorch复现代码，注释详细，含科研绘图，各Quality下的最优SSIM和PSNR的模型权重文件
2024-05-13
图像超分辨率IDN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
2024-05-08
如何识别区分工件正反面？
2023-03-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人