【图像超分】论文精读：Scale-wise Convolution for Image Restoration（SCN）

最新推荐文章于 2024-09-03 21:35:52 发布
最新推荐文章于 2024-09-03 21:35:52 发布
阅读量102 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： 超分辨率重建 计算机视觉 图像处理 深度学习 人工智能 论文阅读 论文笔记
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/138280938
版权
本文介绍了Scale-wise Convolution for Image Restoration（SCN）论文，探讨了尺度不变性在深度学习图像恢复任务中的重要性。SCN通过尺度卷积在多尺度上进行卷积，实现尺度不变性，从而提高图像超分辨率、去噪和压缩伪影去除等任务的性能。实验结果显示，SCN相比于传统多尺度网络在参数效率和恢复精度上具有优势。
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：Scale-wise Convolution for Image Restoration —— 用于图像恢复的尺度卷积

论文地址：Scale-wise Convolution for Image Restoration

论文源码：https://github.com/ychfan/scn

AAAI 2020！

Abstract

虽然尺度不变建模大大提高了视觉识别任务的性能，但在基于深度网络的图像恢复中，它在很大程度上仍未得到充分探索。天真地将这些尺度不变技术(如多尺度测试、随机尺度数据增强)应用

了解本专栏 订阅专栏 解锁全文
十小大
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【图像超分】论文精读：efficient sub-pixel convolutional neural network (ESPCN)
畅游计算机视觉的海洋
03-13 9978
最近，基于深度神经网络的几个模型在单幅图像超分辨率的重构精度和计算性能方面都取得了巨大的成功。在这些方法中，低分辨率 (LR) 输入图像在重建之前使用单个滤波器（通常是双三次插值）放大到高分辨率 (HR) 空间。这意味着超分辨率 (SR) 操作是在 HR 空间中执行的。我们证明了这是次优的，并增加了计算复杂度。在本文中，我们提出了第一个卷积神经网络 (CNN)，能够在单个 K2 GPU 上实时 SR 1080p 视频。为了实现这一点，我们提出了一种新颖的 CNN 架构，其中特征图是在 LR 空间中提取的。此
Image Restoration
05-03
Image Restoration
[图像复原]--AAAI2020-SCN：Scale-wise Convolution for Image Restoration
weixin_42096202的博客
12-23 1347
论文的出发点很奇怪，并不认同，等代码开源了再细看一下吧！ 引言： 本文首先讨论了尺度不变性对于其他视觉任务中的提升作用，随机尺度数据增广，多尺度测试等措施对分类检测等任务有着明显提升，但是对于超分等低阶的视觉任务却会带来更差的表现（这个结论如何得出的，表示异议！）。因此提出了个问题：是不是图像复原不需要尺度不变性？ 在本文中，作者证明了适当地将尺度不变性建模成卷积神经网络可以为图像复原任务...
Scale-wise Convolution for Image Restoration AAAI2020
qq_39056596的博客
02-13 770
Scale-wise Convolution for Image Restoration 摘要 虽然尺度不变建模在很大程度上提高了视觉识别任务的性能，但在基于深度网络的图像恢复中仍有很大的不足。将这些尺度不变的技术(例如，多尺度测试、随机尺度数据扩充)直接地应用于图像恢复任务，通常会导致较差的性...
Scale-wise Convolution for Image Restoration论文理解
SweetWind1996的博客
03-05 1307
这是一篇AAAI2020的文章，这篇论文的核心思想是根据尺度不变性（尺度的变化不会改变特征），在残差块中增加不同尺度的特征的融合。可以概括为：提取特征金字塔，尺度变换+特征融合，跳远连接，输出。 以论文中的图为例，具体操作可表述如下： 输入图像，经过卷积生成一个特征金字塔，该特征金字塔经过残差块生成一个新的特征金字塔（也可以通过多个残差块生成多个特征金字塔），最后再进行卷积。 下方为一个...
卷积神经网络 — Convolutional Neural Network
u012841922的博客
01-22 732
卷积神经网络
超分算法DRCN：Deeply-Recursive Convolutional Network for Image Super-Resolution超分辨率重建
qq_45122568的博客
04-09 5037
DRCN：Deeply-Recursive Convolutional Network for Image Super-ResolutionAbstract1 Introduction2 Method2.1 Basic Method2.2 Advanced Model2.3 LOSS3 Experimental4 Conclusion 这篇文章是第一次将之前已有的递归神经网络(Recursive Neural Network)结构应用在图像超分辨率上。由于梯度爆炸/消失问题，引入了递归监督和跳跃连接两个扩展
图像超分入门必备：2020CVPR图像超分论文集合
01-02
图像超分辨率（Image Super-Resolution, SR）是计算机视觉领域中的一个重要研究方向，它旨在将低分辨率（Low-Resolution, LR）图像恢复成高分辨率（High-Resolution, HR）图像，以提高图像的清晰度和细节表现力。...
Fast Matrix Column-wise/Row-wise Convolution：见描述。-matlab开发
06-01
matlab conv 函数不提供执行矩阵的按列/按行卷积的方法。 使用循环可能很耗时。 这个新函数仅使用矩阵运算和 fft/ifft 来执行这种卷积。 此实现的关键是输入矩阵的正确零填充。 zip 文件包含 2 个 .m 文件、函数和...
CVPR 2020 & AAAI 2020超分辨率（super-resolution）方向上接收论文总结
热门推荐
yyywxk的博客
04-11 1万+
CVPR 2020 官网链接：http://cvpr2020.thecvf.com/ 时间：Seattle, Washington，2020年6月14日-6月19日 图像超分辨率 Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy 论文：htt...
[转] CVPR 2020 & AAAI 2020超分辨率（super-resolution）方向上接收论文总结（持续更新）
u014546828的博客
06-11 4070
CVPR 2020 官网链接：http://cvpr2020.thecvf.com/ 时间：Seattle, Washington，2020年6月14日-6月19日 图像超分辨率 Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy 论文：https://arxiv.org/abs/2004.00448 代码：https://github.com/.
SCN论文理解
Magic_o的博客
06-13 3420
Scale-wise Convolution for Image Restoration AAAI 没有GitHub 问题 单纯地将尺度不变技术(如多尺度测试、随机尺度数据增强)应用到图像恢复任务中，往往会导致性能低下。在本文中，我们证明在神经网络中适当地建模尺度不变性能显著提高图像恢复性能。 PESR被训练为最小化相对损失而不是绝对损失。 ...
[超分辨率重建]ESRGAN算法训练自己的数据集过程
Cr_NanMao的博客
02-07 2566
粗略记录sr模型训练过程，具体过程根据手册为准
Sobel算子，Scharr算子和Laplacian算子
u012121721的博客
08-31 550
而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。处理完图像后，再使用cv2.convertScaleAbs()函数将其转回原来的uint8格式，否则图像无法显示，注意:当内核大小为3时,以上Sobel内核可能产生比较明显的误差，为解决这一问题，我们使用Scharr函数，但该函数仅作用于大小为3的内核。:通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是。
Fréchet Inception Distance（FID）原理
Recursions的博客
09-03 236
综上所述，FID 综合考虑了均值和协方差的差异，从而给出一个数值来量化生成图像的特征分布与真实图像的特征分布的相似度。较小的 FID 值表示生成图像的特征分布更接近真实图像，意味着生成模型的性能更好。FID 的核心思想是通过比较真实图像和生成图像在 Inception 模型特征空间中的分布差异，来评估生成模型的性能。它假设从真实数据和生成数据中提取的特征都近似服从高斯分布。FID 定义为两个多元高斯分布（分别由真实图像特征和生成图像特征的均值和协方差描述）之间的 Fréchet 距离。
Opencv实现提取卡号（数字识别）
最新发布
2401_84670644的博客
09-03 716
接下来，你可能会想要使用这些数字模板与输入图像中的数字进行匹配，以确定输入图像中每个数字的具体值。这通常涉及到模板匹配技术，如使用。库来解析命令行输入，确保用户提供了输入图像和模板图像的路径。函数读取模板图像的路径，并显示原始图像。自定义的myutils库。
AI图像放大工具,图片放大无所不能
程序那些事
09-03 659
AI图像放大工具，如ESRGAN，对于提高由Stable Diffusion生成的AI图像质量至关重要。它们被广泛使用，以至于许多Stable Diffusion的图形用户界面（GUI）都内置了支持。
TPH-YOLOv5：基于Transformer预测头的改进YOLOv5，用于无人机捕获场景的目标检测
qq_44926214的博客
09-01 991
提出了TPH-YOLOv5。在YOLOv5的基础上，增加了一个预测头来检测不同尺度的目标。然后用Transformer Prediction Heads（TPH）代替原有的预测头，探索自注意机制的预测潜力。还集成了卷积块注意力模型（CBAM），用来发现密集对象场景中的注意力区域。为了实现所提出的TPH-YOLOv 5的更多改进，提供了一些有用的策略，如数据增强，多尺度测试，多模型集成和使用额外的分类器。设计了跨层非对称Transformer（CA-Trans）来代替额外的预测头，同时保持该预测头的知识。
group-wise convolution
09-06
Group-wise convolution（群卷积或分组卷积）是一种卷积方法，它将输入的特征图在通道维度上进行分组，然后对每个分组分别进行卷积操作。这种方法可以减少计算量，并且在一定程度上提高模型的表达能力。在group-wise convolution中，输入特征图被分为多个子组，每个子组包含一部分输入特征图的通道。然后，对每个子组分别使用卷积核进行卷积操作，得到对应的输出子组。最后，将所有输出子组合并得到最终的输出特征图。这种方法通常用于深度卷积神经网络中，可以提升模型的参数效率和计算效率。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [深度学习之各种类型的卷积运算](https://blog.csdn.net/DreamHome_S/article/details/85233173)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [group convolution (分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise ...](https://blog.csdn.net/weixin_46838716/article/details/125649148)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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