（CVPR2018）Residual Dense Network for Image Super-Resolution 阅读笔记

最新推荐文章于 2024-03-24 14:06:37 发布
最新推荐文章于 2024-03-24 14:06:37 发布
阅读量545 收藏 1
点赞数 1
分类专栏： # 图像超分辨重建 文章标签： 计算机视觉 深度学习 cnn
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_40107571/article/details/125517285
版权
本文是关于CVPR2018年发表的Residual Dense Network (RDN)在图像超分辨率领域的阅读笔记。RDN通过残差密集块(RDB)解决了传统CNN未能充分利用低分辨率图像分层特征的问题。RDB利用密集连接、局部特征融合和局部残差学习，以提取并融合多层次的局部特征。实验表明，RDN在多种退化模型上优于许多最新模型。
摘要由CSDN通过智能技术生成

论文地址：Residual dense network for image super-resolution

代码：https://github.com/yulunzhang/RDN

摘要：大部分基于CNN的方法没有充分利用原始LR图像的分层特征，因此获得了非常低的性能。在这篇文章中，作者提出了新的残差密集网络（RDN）来解决这个问题。这个模型可以充分提取分成特征。特别是，基于密集连接的RDB模块可以提取充足的局部特征。RDB接收前面所有RDB的状态。在RDB中也使用了局部特征融合可以自适应的学习更多有效特征，并且可以有效的稳定训练过程。在局部特征融合之后，作者使用全局特征融合联合学习全局特征。在基准数据集上不同的退化模型的实验表明了模型的性能优于很多STOA模型、

引言

了解本专栏 订阅专栏 解锁全文 超级会员免费看
一壶浊酒..
关注
  • 1
    点赞
  • 踩
  • 1
    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
（cvpr 2020）Residual Feature Aggregation Network for Image Super-Resolution 阅读笔记
qq_40107571的博客
06-30 617
论文地址：Residual feature aggregation network for image super-resolution 摘要：作者这里首先介绍了残差学习的有效性，但是忽略了分层特征。为此作者提出了新的框架，简单通过跳跃连接组织几个残差块去提取更有用信息。为了提升模型的能力，作者提出了增强的空间注意力机制。通过ESA和RFA两个简单的模块搭建模型。 上图介绍了作者提出的RFA框架，可以看出作者是在原始的残差模块的基础上添加了几条跳跃连接。 这部分作者介绍了残差网络的局限性，不能充分利用中间的
ResidualDenseNetwork-Pytorch:火炬工具
05-16
残差密集网络-Pytorch Pytorch工具： 本文的两个优点： 将denese连接层加入ResNet 层次特征的串联 与本文不同的是，我仅使用RDB（剩余密集块），每个RDB都有三个密集层。 因此，这是作者提出的RDN（剩余密集网络）的示例实现。 要求 python3.5 / 3.6 火炬> = 0.2 OpenCV 用法 您需要准备DIV2K数据集（./data/） 火车模型： python3 main.py --model_name 'RDN' --load demo_x3_RDN --dataDir ./DIV2K/ --need_patch True --patchSize 144 --nDenselayer 3 --nFeat 64 --growthRate 32 --scale 3 --epoch 10000 --lrDecay 2000 --lr 1
【论文笔记】（SR）《Residual Dense Network for Image Super-Resolution》
jiamenghu的博客
10-28 481
《Residual Dense Network for Image Super-Resolution》论文阅读笔记 针对的问题 ：针对目前大多数基于CNN的SR模型不能充分利用原始低分辨率（LR）图像的层次特征（the hierarchical features ），只实现了较低的表现。 提出的办法 ：提出了一种 residual dense network (RDN)解决这个问题。 使用 residual dense block (RDB) ：使用密集连接的卷积层来提取局部特征 RDB会将前面的RDB状
RXDNFusion：VIIF residual dense network
weixin_43690932的博客
10-20 970
仅供自己理解文章
【论文笔记1_超分辨】（RDN）Residual Dense Network for Image Super-Resolution
HaotianYan的博客
09-15 3327
文章目录Abstract1. Introduction Abstract 深层CNN拥有提取多层次特征的能力，最近在图像超分辨（SR）领域取得了不错的进展。然而，大多数基于CNN的SR模型不能很好地利用这些来自LR的各级特征，导致相对较低的性能。 在本篇文章里，我们提出了一种全新的残差密集网络（Residual Dense Network，RDN）以解决图像SR中的这一问题。 RDN能够充分利用所有卷积层中的各个层次信息。我们提出的残差密集块（Residual Dense Block，RDB）通过将卷积层
【图像复原】RDN论文详解（Residual Dense Network for Image Restoration）
Arthur_Holmes的博客
12-03 2726
这是CVPR2018的一篇文章，提出了针对图像复原任务的CNN模型RDN(residual dense network)。RDN主要是提出了网络结构RDB(residual dense blocks)，它本质上就是残差网络结构与密集网络结构的结合。1.残差网络（resnet）与密集网络（densenet） 1.残差网络结构残差网络结构：在输入与输出之间引入一个前向反馈的shortcut conn...
RDN:Residual Dense Network for Image Super-Resolution
清风吹斜阳
03-11 1489
Residual Dense Network for Image Super-Resolution Yulun Zhang , Yapeng Tian , Yu Kong , Bineng Zhong , Yun Fu CVPR2018 摘要 论文认为之前的方法没有取得较好超分辨率结果的原因是因为它们没有利用低分辨率图像的层次信息。而论文提出了残差密集块可以解决这个问题。经过残差链接的卷积...
Residual Feature Aggregation Network for Image Super-resolution 论文解读
大神月磨的博客
06-20 6660
论文地址：https://urlify.cn/2AZfmi 总述：
(CVPR 2022 阅读笔记)Residual Local Feature Network for Efficient Super-Resolution
qq_40107571的博客
06-29 823
论文地址：Residual Local Feature Network for Efficient Super-Resolution摘要：目前高效SISR主要关注减少参数的数量，它们通过复杂的连接来聚合更多的特征。这些结构不适合在资源有限的平台上部署。基于此，作者提出了新的残差局部特征网络（RLFN）。这个思想主要是使用三个卷积层去聚合局部的特征，这个操作在模型性能和效率方面做到了平衡。作者重现了对抗损失，发现特征提取器提取的中间特征对最后结构影响很大。此外，作者提出了新的多阶段热启动训练策略。在每一个阶段
Residual dense network for intensity-guided depth map enhancement
02-08
The depth maps captured by sensors always suffer from low resolution and random noise. Recently, by introducing the guidance from the color image, deep convolutional neural network (DCNN) shows significant improvements for depth map enhancement. However, most DCNN-based methods do not make full use of multi-scale guidance from the color image, thereby achieving sub-optimal performances. In this paper, we propose a novel DCNN to progressively reconstruct the high-resolution depth map guided by th
实验笔记之——Residual Dense Network for Image Super-Resolution (RDN)
gwpscut的博客
08-06 1765
论文链接：https://arxiv.org/pdf/1802.08797.pdf 代码链接：https://github.com/yulunzhang/RDN python train.py -opt options/train/train_sr.json python3 test.py -opt options/test/test_sr.json source activate ...
Residual Dense Network for Image Restoration
weixin_42784951的博客
01-16 3184
Introduction 问题：大多数基于CNN的深度神经网络模型并没有充分利用原始低分辨率（LR）图像的分层特征，因此性能相对较低。 本文: 提出了一种新的残差密集网络（RDN）来解决SR中的这个问题。 残差密集网络优点： （1）充分的利用了所有卷积层的层次信息，通过密集连接卷积层提取丰富的卷积特征。 （2）允许从前一个RDB的状态直接连接到当前RDB的所有层，从而形成连续的内存（CM）机制。 ...
Diffusion Models for Image Restoration and Enhancement – A Comprehensive Survey
通街是密人有的博客
08-23 3677
图像恢复(IR)一直是低水平视觉领域不可或缺的一项具有挑战性的任务，它致力于提高因各种形式的退化而失真的图像的主观质量。近年来，扩散模型在AIGC的视觉生成方面取得了重大进展，由此提出了一个直观的问题，即“扩散模型能否促进图像恢复”。为了回答这个问题，一些开创性的研究试图将扩散模型集成到图像恢复任务中，从而获得比以前基于GAN的方法更好的性能。尽管如此，关于基于扩散模型的图像恢复的全面而有启发性的研究仍然很少。
【论文合集】Awesome Diffusion Models 2
m0_61899108的博客
10-17 6868
介绍diffusion做生成、分类、分割、图像翻译、医学图像的论文。来源：https://github.com/diff-usion/Awesome-Diffusion-Models
ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting
qq_43800752的博客
09-29 1527
基于扩散的图像超分辨率(SR)方法由于需要数百甚至数千个采样步骤，导致推理速度较低。现有的加速采样技术不可避免地会在一定程度上牺牲性能，导致SR结果过于模糊。为了解决这个问题，我们提出了一种新颖有效的SR扩散模型，该模型显著减少了扩散步骤的数量，从而消除了推理过程中对后加速的需求及其相关的性能下降。我们的方法构建了一个马尔可夫链，通过移动高分辨率图像和低分辨率图像之间的残差来实现高分辨率图像和低分辨率图像之间的转换，大大提高了转换效率。
Image Super-Resolution via Iterative Refinement 论文笔记
weixin_46872424的博客
01-09 3254
SR3的模型使用了一种全新的超分辨思路，与以往的基于GAN和CNN网络的完全不一样，主要是通过图像的概率分布来对图像进行不断降噪来获取超分辨的图像。实验结果来说因为没有使用PSNR等指标作为损失函数，虽然在这些指标的领域比较一般，但是在其他实验上还是有非常不错的效果。尤其个人认为在imagenet上分辨从错误率上得到了提升，当然其实并没有对比SOTA的模型，所以缺乏一定的说服力，但是总的来说这个思路是有效果的，而且有很大的提升空间。
diffusion系列论文Image Super-Resolution via Iterative Refinement论文简述
qq_43210957的博客
12-30 1212
diffusion系列论文Image Super-Resolution via Iterative Refinement论文简述
【深度学习】超分，修复，ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting
最新发布
q742971636的博客
03-24 1581
基于上述动机，我们提出了一个高效的扩散模型，涉及一个更短的马尔可夫链，用于在HR图像和其对应的LR图像之间过渡。在本文中，我们认为，对于SR来说，合理的扩散模型应该从一个基于LR图像的先验分布开始，使其能够迭代地从其LR对应物中恢复HR图像，而不是从高斯白噪声开始。最近，扩散模型，作为一种新出现的生成模型，在图像生成方面取得了前所未有的成功。为了解决这个问题，作者提出了一种新颖高效的扩散模型用于SR，显著减少了扩散步骤的数量，从而消除了在推理过程中需要后加速的需求及其可能导致的性能恶化问题。
阿里巴巴CVPR 2018精选：计算机视觉驱动商业转型与创新
《阿里巴巴机器智能计算机视觉技术精选》是一本收录了阿里巴巴在顶级计算机视觉会议CVPR 2018中的研究成果的专著。随着深度学习、GPU和云计算技术的快速发展，计算机视觉技术在各个行业中的应用日益广泛，尤其是在...
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

一壶浊酒..

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