【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）

已于 2024-04-01 13:20:01 修改
阅读量5.9k 收藏
点赞数
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： 人工智能 计算机视觉 深度学习 超分辨率重建 图像处理 论文阅读 论文笔记
于 2024-04-01 11:07:00 首次发布
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_36584673/article/details/137078833
版权
本文深入研究了Wide Activation在图像超分辨率中的应用，提出WDSR网络，通过在ReLU激活前扩展特征，显著提升了模型性能。WDSR-A和WDSR-B在不增加计算开销的情况下，利用线性低秩卷积实现了更高效、更准确的超分辨率。对比实验显示，权重归一化优于批量归一化，能加速收敛并提升精度。
摘要由CSDN通过智能技术生成

第一次来请先看这篇文章：【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）

文章目录

前言

论文题目：Wide Activation for Efficient and Accurate Image Super-Resolution —— 高效、准确的图像超分辨率的广泛激活

论文地址：Wide Activation for Efficient and Accurate Image Super-Resolution

论文源码：https://github.com/JiahuiYu/wdsr_ntire2018

Abstract

在本文中，我们证明了在相同的参数和计算预算下，ReLU激活前具有更广泛特征的模型对于单图像超

了解本专栏 订阅专栏 解锁全文
十小大
关注
专栏目录
订阅专栏
【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
畅游计算机视觉的海洋
03-25 1万+
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。
Image Super-Resolution via Information Distillation Network
sinat_41863083的博客
11-29 1394
电子科技大学 格拉斯哥学院 2017级 夏小又 Abstract： Super-Resolution refers to the technology that use a low-resolution image or image sequence to recover a high-resolution image. The key point is the transformation ...
Wide Activation for Efficient and Accurate Image Super-Resolution文章解读
breezero的博客
06-02 809
Wide Activation for Efficient and Accurate Image Super-Resolution 文章地址：https://arxiv.org/abs/1808.08718v1 论文代码：https://github.com/JiahuiYu/wdsr_ntire2018 最近才看到这篇文章，我认为里面有好多东西还是很不错的，至少文中不...
Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）
zhangwl27的专栏
01-31 2345
摘要   在本文中我们论证了，针对单图像超分辨率（SISR），在相同参数和计算量下，在ReLU激活之前具有更宽的特征的模型明显有更好的效果。得到的SR残差网络在每个残差block中激活函数前有一个轻便等价但更宽路径（1x到4x）映射路径。为了在不增加计算开销的下进一步扩大激活（6x到9x），我们引入线性低秩卷积到SR网络中，获得了更好的精度-效率的平衡。此外，我们发现对于深的SR网络用归一化权...
WDSR:Wide Activation for Efficient and Accurate Image Super-Resolution
清风吹斜阳
03-29 1803
Wide Activation for Efficient and Accurate Image Super-Resolution Jiahui Yu,Yuchen Fan,Jianchao Yang,Ning Xu,Zhaowen Wang,Xinchao Wang,Thomas Huang 本文是NTRIE2018年超分辨率比赛的冠军。 主要贡献 论文提出在激活函数前with expa...
【文章阅读】【超解像】-- Wide Activation for Efficient and Accurate Image Super-Resolution
happyday_d的博客
12-31 1094
【文章阅读】【超解像】-- Wide Activation for Efficient and Accurate Image Super-Resolution 论文链接：https://arxiv.org/abs/1808.08718v1 code：https://github.com/JiahuiYu/wdsr_ntire2018 本提出的网络结构在NTIRE2018比赛中SISR中获得了3个第...
WDSR-Wide Activation for Efficient and Accurate Image Super-Resolution 论文代码
12-25
WDSR,Wide Activation for Efficient and Accurate Image Super-Resolution论文代码，pytorch实现，欢迎各位下载！
ECCV2018超分辨率MSRN：Multi-scale Residual Network for Image Super-Resolution
qq_41332469的博客
06-14 5859
这篇文章主要创新点是：使用多尺度残差块充分提取图片特征 问题 （1）目前的研究倾向于使用更深层次的卷积神经网络来提高性能。但是随着网络深度的增加，训练过程中出现的问题越来越多，需要更多的训练技巧。导致很多方法难以复现； （2）特征利用不足，随着网络深度的增加，特征在传输过程中逐渐消失。如何充分利用这些特征，是网络重建高质量图像的关键； （3）可扩展性差； 贡献 提出了一种新的多尺度残差网络(MSR...
图像超分辨率SR的背景概念性知识总结和几篇重要论文介绍
ytao_wang的博客
05-24 9316
本文介绍了做深度学习图像超分辨率SR任务应先掌握的基本概念性知识，然后介绍了SR任务应该向那几个方面着手，希望对SR能有一个清晰的认识，更方便更有目的性的开展SR任务。 主要依据NTIER2018比赛的论文进行介绍。 文中有许多概念或模糊，或啰嗦，或有错误，烦请指正，留言多交流。 文章目录SR定义NTIRESR任务的概念性知识基于深度学习SR网络的构建1. 特征提取2. 特征非线性映射VDSREDSRWDSR3. SR重建参考资料 SR定义 超分辨率SR的定义：将低分辨率的图像通过算法转换成高分辨率图
super resolution 论文阅读简略笔记（个人，不持续）
Zealoe的博客
11-16 7688
从deep learning开始后开始看的。具体实验细节没看。写的比较简略，只buchix是为了过段时间忘记论文内容的时候还可以翻下。。。 1. Image Super-Resolution Using Deep Convolutional Networks 以往都是采用传统方法进行super resolution。这篇论文提出SRCNN，第一次用deep learning解...
深度学习应用到图像超分辨率重建3
暮日落流年的博客
12-12 2557
多看论文，紧跟时代步伐。 我们在之前两篇博客,深度学习应用到图像超分辨率重建1, 深度学习应用到图像超分辨率重建2已经介绍了一些图像超分辨的基础了， 下面我们继续分享一些最新的一些论文。论文暂时还没有阅读，只是先列一个提纲，后续会简单介绍的。 1. CrossNet: An End-to-end Reference-based Super Resolution Network using C...
Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR）
zhangwl27的专栏
01-31 2998
摘要 近年来，随着深度卷积神经网络（DCNN）的发展，SR的研究也取得了进展。尤其是，残差学习技术展现出更好的效果。在本文中，我们开发了一个增强深度SR网络（EDSR），效果超过了那些目前最好的SR方法。我们通过移除传统残差网络中不必要的模块来优化，使得我们的模型性能显著提升。通过扩大模型大小来进一步提升效果，同时保持训练流程稳定。我们也提出了一种新的多尺度深度SR 系统（MDSR）和训练方法，...
Deep Neural Network for Fast and Accurate Single Image Super-Resolution via Channel-Attention-based
qq_34049103的博客
03-08 301
本文提出现行超分网络中存在大量参数，运算复杂，为了解决这些问题，本文提出了将一维卷积与二维卷积联合起来使用以定向提取特征，并减少参数。 该网络的总体架构较为简单，将低分辨率图片输入后经过33的卷积提取浅层特征后，输入到OAM块中进一步提取定向特征，通过全局注意力机制，最后通过两个33卷积降维hou，亚像素到高分辨率图片。 此网络的创新点主要在于oam中的利用1维卷积进行定向采样，从而更充分的提取...
Accurate Image Super-Resolution Using Very Deep Convolutional Networks
weinidakaishijian的博客
07-20 4632
Accurate Image Super-Resolution Using Very Deep Convolutional Networks 摘要   我们提出了一种高精度的单图像超分辨率（SR）方法。我们的方法使用了一个非常深的卷积网络，灵感来自于用于ImageNet分类的VGG网络。我们发现网络深度的增加可以使得精度的显著提高。 我们的最终模型使用20层。通过在深层网络结构中多次级联
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
漫谈深度学习在Super Resolution（超分辨率）领域上的应用
沈春旭的博客
05-31 2万+
1.前言 清晨，师兄推荐给我一篇文章，关于利用DeepLearning思想进行图像超分辨恢复的。超分辨这个话题几年之前还是比较火爆的，无论是BiCube、SP、A*都给出了令人振奋的结果。但是细节恢复部分仍存在一些瑕疵。 Super Resolution（SR），这个方向做的事情是给你一张低分辨率的小图（Low Resolution，LR），通过算法将这张LR放大成一张高分辨率的大图（
论文阅读笔记六十六:Wide Activation for Efficient and Accurate Image Super-Resolution(CVPR2018)...
weixin_33798152的博客
06-01 303
论文原址:https://arxiv.org/abs/1808.08718 代码:https://github.com/JiahuiYu/wdsr_ntire2018 摘要 本文证明在SISR中在ReLU之前特征图越宽，在有效的计算资源及内存条件下，模型的性能越好。本文提出的残差网络具有平滑的identity mapping pathway，在激活层之前，每个bloc...
深度学习之超分辨率重建技术（Super-Resolution）总结：从 SRCNN 到 WDSR
种树最好的时间是10年前，其次是现在！！！
05-31 1万+
专栏【超分辨率】 目录1、前言2、网络详解2.1、SRCNN :)2.2、VDSR :)2.3、DRCN :)2.4、ESPCN :)2.5、SRGAN :)2.6、EDSR :)2.7、DBPN :)2.8、WDSR :)3、参考论文4、未来计划 1、前言 超分辨率重建技术（Super-Resolution）是指从观测到的低质量、低分辨率图像重建出相应的高质量、高分辨率图像。 Super-Res...
PAISR：Rapid and Accurate Image Super Resolution 详解（内附代码code）
小长冲冲里的一只羊的专栏
04-24 8344
hi，这绝对是一篇想搞事情的论文，本宝对这篇文章也没有弄得很透彻，甚至在某些小块上卡住了，但是还是有些干货想跟小伙伴们分享，顺便一起探讨一些问题。 在github：https://github.com/HerrHao/RAISR上有研友写了部分代码，并没有完全实现论文，虽然效果也不怎样理想，但是使用滤波器的方法代替字典速度提高了好多。不多说了，下面是论文的框架 主要分为以几个部分：
帮我写一个super-resolution的程序的代码（python）
最新发布
03-06
以下是一个简单的超分辨率程序的 Python 代码，使用了 TensorFlow 和 Keras 库： ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 定义超分辨率模型 def create_sr_model(): model = keras.Sequential() model.add(layers.Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=(None, None, 3))) model.add(layers.Conv2D(64, (3, 3), padding='same', activation='relu')) model.add(layers.Conv2D(32, (3, 3), padding='same', activation='relu')) model.add(layers.Conv2DTranspose(3, (3, 3), padding='same', strides=(2, 2))) return model # 加载数据集 train_dataset = tf.data.Dataset.list_files('train/*.jpg') train_dataset = train_dataset.map(load_image) # 编译模型 sr_model = create_sr_model() sr_model.compile(optimizer='adam', loss='mse') # 训练模型 sr_model.fit(train_dataset, epochs=10) # 使用模型进行超分辨率 test_image = load_image('test.jpg') sr_image = sr_model.predict(test_image) ``` 请注意，这只是一个简单的示例程序，实际上需要根据具体的数据集和任务进行调整和优化。
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

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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