（cvpr2020）Learning texture transformer network for image super-resolution论文阅读

已于 2022-07-19 20:46:29 修改
阅读量397 收藏
点赞数 1
分类专栏： # 图像超分辨重建 文章标签： transformer 深度学习 人工智能
于 2022-07-19 16:28:21 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_40107571/article/details/125860850
版权

Learning texture transformer network for image super-resolution

TTSR

该模型可以有效的从参考图像中搜索纹理信息，最大化的利用参考图像的纹理信息，并且迁移到超分辨率的结果当中。

摘要：SR是从低分辨图像中恢复真实纹理。最近的一些方法通过将高分辨率图像作为参考图像，以至于一些相关纹理可以被传递到低分辨率图像。但是一些方法忽略了注意力机制，从参考图像转移高分辨率纹理。在这篇论文里，作者提出了TTSR网络，其中LR和参考图像分别表示Transformer中的查询和键。TTSR中包含四个部分，包含了一个可学习纹理提取器、相关性嵌入模块、用于纹理传输的硬注意模块、用于纹理合成的软注意模块。这样的设计鼓励跨LR和参考图像联合特征学习，其中深层特征可以通过注意力机制发现，因此可以很好的传递纹理特征。所提出的网络可以以跨尺度方式进行堆叠。

引言

图像超分通常分为两类，一是单图像超分辨率重建（SISR）&#

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
  • 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
TTSR:[CVPR'20] TTSR
03-19
TTSR PyTorch正式实现了CVPR 2020中接受的的论文。 内容 介绍 我们为RefSR任务提出了一种名为TTSR的方法。与SISR相比，RefSR具有超高分辨率的参考图像，其纹理可用于帮助超分辨低分辨率输入。 贡献 我们是最早将变压器架构引入图像生成任务的公司之一。更具体地说，我们提出了一种具有四个与图像SR密切相关的模块的纹理转换器，与SOTA方法相比，该模块实现了重大改进。 我们为图像生成任务提出了一种新颖的跨尺度特征集成模块，该模块使我们的方法能够通过堆叠多个纹理转换器来学习更强大的特征表示。 方法概述 主要结果 要求和依赖性 python 3.7（建议使用 ） python软件包： pip install opencv-python imageio 火炬> = 1.1.0 火炬视觉> = 0.4.0 模型 可以从 ，（0u6i）， 下载预训练的模型。 TTSR-r
Learning Texture Transformer Network for Image Super-Resolution（CVPR2020）
weixin_44678648的博客
02-25 1351
文章目录摘要一、Introduction二、Related Work1.单图像超分辨率2.基于参考的图像超分辨率三、Approach1. 纹理转换器 摘要 我们研究图像超分辨率（SR），旨在从低分辨率（LR）图像中恢复逼真的纹理。最近通过以高分辨率图像作为参考（Ref）取得了进展，以便可以将相关纹理转移到 LR 图像。然而，现有的 SR 方法忽略了使用注意力机制从 Ref 图像中传输高分辨率 (HR) 纹理，这在具有挑战性的情况下限制了这些方法。在本文中，我们提出了一种新颖的用于图像超分辨率 (TTSR
【论文阅读】Learning Texture Transformer Network for Image Super-Resolution
最新发布
博客
05-04 1212
我们研究了图像超分辨率 (SR)，旨在从低分辨率 (LR) 图像中恢复逼真的纹理。最近的进展是将高分辨率图像作为参考（Ref），从而可以将相关纹理转移到 LR 图像。然而，现有的 SR 方法忽略了使用注意力机制从参考图像传输高分辨率 (HR) 纹理，这在具有挑战性的情况下限制了这些方法。在本文中，我们提出了一种用于图像超分辨率 (TTSR) 的新型纹理变换器网络，其中 LR 和 Ref 图像分别被表述为变换器中的查询和键。
超分算法TTSR：Learning Texture Transformer Network for Image Super-Resolution 基于参考图像Ref的超分辨率重建
qq_45122568的博客
05-07 3737
这篇文章TTSR应该是第一次将transformer引入到超分任务中，且是基于参考图像的超分重建RefSR，文章发表在CVPR2020。基于参考图像的超分不同于单图像超分，更注重于图像细节的还原，通过迁移参考图像中的相似纹理来还原HR图像。基于参考图像的超分文章并不多，这种方法的局限性比较大。TTSR是基于SRNTT这篇文章进行了改进，加入注意力机制，能选择更相似的纹理来完成SR图像恢复。 原文链接：TTSR：Learning Texture Transformer Network for Image S.
Learning Texture Transformer Network for Image Super-Resolution（全译文+大量名词链接）读论文记录①
m0_47639800的博客
03-16 1437
摘要 本文参考的文章，建议阅读 附录 超分辨率技术（Super-Resolution, SR）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。超分辨率技术 注意力机制（attention mechamism）：神经网络中的注意力机制（Attention Mechanism）是在计算能力有限的情况下，将计算资源分配给更重要的任务，同时解决信息超载问题的一种资源分配方案。注意力机制详细概述 摘要 SR：超分辨率，LR：低分辨率，HR：高分辨率，Ref：
【图像超分辨率】Learning Texture Transformer Network for Image Super-Resolution
qq_41807261的博客
04-14 1268
论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Yang_Learning_Texture_Transformer_Network_for_Image_Super-Resolution_CVPR_2020_paper.pdf Learning Texture Transformer Network for Image Super-Resolution摘要1 简介2 相关工作3 本文方法3.1 Texture Transformer可学习的
CVPR2020:Learning Texture Transformer Network for Image Super-Resolution解读
hbw136的博客
02-28 1433
论文： Title：Learning Texture Transformer Network for Image Super-Resolution（用于图像超分辨率的学习纹理transformer网络） Writers：Fuzhi Yang , Huan Yang, Jianlong Fu, Hongtao Lu , Baining Guo Conference：cvpr 2020 作者单位：Department of Computer Science and Engineering, MoE Key La
Residual-Dense-Net-for-Super-Resolution
04-28
这是这篇cvpr18的文章的非官方keras+tensorflow实现。 结果 Set5数据集的结果 使用 打开inference.py，里面有xdir改一下，数据集去这里。 测试 想测试PSNR指标，用Matlab更准确，仍然这里。 introduction this is ...
CVPR2022 Image Dehazing Transformer with Transmission-Aware 3D代码
09-24
CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer ...
论文2_Single Image Super-resolution from Transformed Self-Exemplar
08-03
这篇论文《Single Image Super-resolution from Transformed Self-Exemplars》是2015年CVPR（Computer Vision and Pattern Recognition）会议上发表的研究成果，主要关注的是单图像超分辨率重建技术。超分辨率重建是...
论文4_Accurate Image Super-Resolution Using Very Deep Convolutiona
08-03
这篇论文《Accurate Image Super-Resolution Using Very Deep Convolutional Networks》发表于2016年的CVPR（计算机视觉与模式识别会议），由Seoul National University的研究人员Jiwon Kim、Jung Kwon Lee和Kyoung ...
Image Super-Resolution using Gradient Profile Prior代码
12-01
在2008年的CVPR会议上，一项名为"Image Super-Resolution using Gradient Profile Prior"的研究工作引起了广泛关注。该研究引入了梯度场先验的概念，以显著提升图像的超分辨率重构质量。 一、梯度场先验理论 梯度...
Learning Texture Transformer Network for Image Super-Resolution阅读笔记
weixin_43540533的博客
05-06 499
Learning Texture Transformer Network for Image Super-Resolution阅读笔记 Abstract 图像超分辨率，目的从低分辨率图像中恢复出逼真的纹理。现有方法忽略了使用注意力机制来恢复高分辨率纹理，因此，我们提出一个新的图像超分辨率纹理转换网络，其中LR和Ref图像被作为transformer中的queries和keys。 TTSR由四个紧密相关的模块组成，这些模块针对图像生成任务进行了优化，包括一个由DNN设计的可学习纹理提取器、一个相关性嵌入模块、
TTSR（Learning Texture Transformer Network for Image Super-Resolution）论文及代码
神思X學海無涯
11-14 5392
文章目录前言一、Transformer二、Approach1.Texture Transformer( TT)2.Cross-Scale Feature Integration（CSFI）3.Loss Function总结 前言 主要记录个人对TTSR论文和代码的阅读，水平有限，欢迎指正 论文——TTSRCVPR2020 代码——CODE 领域——超分辨率 关键点——Reference-based Image Super-Resolution,Transfromer 相关解读——https://mp..
（TTSR）Learning Texture Transformer Network for Image Super-Resolution
热门推荐
简单记录生活、学习
06-22 1万+
万物皆可 Transformer：基于纹理 Transformer 模型的图像超分辨率技术 Transformer 结构被广泛应用于自然语言处理任务，取得了显著的成果，然而其在图像生成领域中鲜有应用。针对于图像超分辨率问题，微软亚洲研究院创新性地提出了一种基于纹理 Transformer 模型的图像超分辩率方法（TTSR），取得了显著的效果。该模型可以有效地搜索与迁移高清的纹理信息，最大程度地利用了参考图像的信息，并正确地将高清纹理迁移到生成的超分辨率结果当中，解决纹理模糊和纹理失真的问题。 纹理...
TTSR:Learning Texture Transformer Network for Image Super-Resolution
sinat_34546154的博客
12-12 560
PDF：Learning Texture Transformer Network for Image Super-Resolution 代码：github:https://github.com/researchmm/TTSR CVPR2020的一篇文章 目录MotivationProposed Method1.Texture Transformer Motivation 这是一篇基于参考图像的SR方法（RefSR），除了LR-HR对之外，引入HR参考图像。 基于L1损失的SISR方法产生的结果比较模糊，.
CVPR 2020丨图像超清化Texture Transformer Network for Image Super-Resolution（TTSR）
dididi的博客
06-22 2980
图像超清化论文链接SR背景SRCNNTTSR网络结构 论文链接 Learning Texture Transformer Network for Image Super-Resolution 提取码：vo57 SR表示的就是Super-Resolution，是指通过软件或硬件的方法，从观测到的低分辨率图像重建出相应的高分辨率图像。 先上图，直观点看效果图。 目标框 RDN RCAN RSRGAN 示例图 CrossNet SRNTT TTSR（本文用例） 分别代表8张图片/组的清晰化效果
CVPR2020（TTSR纹理迁移）Learning Texture Transformer Network for Image Super-Resolution
qq_20777119的博客
07-11 2752
文章地址：https://arxiv.org/pdf/2006.04139.pdf 项目地址：https://github.com/researchmm/TTSR 摘要 目前已经存在用纹理迁移做SR工作的文章。 但是现有的方法没有用到注意力机制来从参考的图像中间迁移，这使得纹理迁移的方法没被充分利用。 一、Introduction c ...
Learning Texture Transformer Network for Image Super-resolution 论文解读
大神月磨的博客
06-16 4998
论文地址：https://arxiv.org/pdf/2006.04139.pdf 项目地址： https://github.com/FuzhiYang/TTSR 总述：为了恢复图像超分辨率结果的纹理信息，本文提出一种的TTSR的RefSR的方法。该TTSR包含四个关系紧密的模块：可学习的纹理提取模块，关联嵌入模块，用于纹理迁移的硬-注意力模块和用于纹理合成的软-注意力模块。此外，该方法可以通过跨尺度的堆叠方式，获得更好的实验结果。 介绍 现如今，图像超分的方法主要分为两类，一类是单图像超分(SISR)
CVPR2020 3D目标检测论文综述：LiDAR-based方法与时空注意力
在2020年的计算机视觉与模式识别（Computer Vision and Pattern Recognition, CVPR）会议上，目标检测领域呈现出显著的发展，特别是3D目标检测技术的研究取得了重大突破。共有63篇论文集中在这一主题上，其中一项...
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