HiNet阅读笔记

HINet: Half Instance Normalization Network for Image Restoration

摘要

  • 提出了一种新的block:半实例归一化块(HIN block)
  • 图像恢复任务sota
    一些效果展示
    在这里插入图片描述

引言

  • 批处理归一化不能提高超分辨率网络的性能
  • 批归一化消除了网络的范围灵活性
  • 图像恢复任务通常使用小的图像patch和小的mini-batch size来训练网络,这导致BN的统计不稳定。
  • 实例标准化在某种程度上是底层特性的标准化。他们通过调整样式图像到内容图像的实例标准化中的通道统计数据,对样式传输任务提出了自适应实例标准化
  • 自适应实例归一化

结构方面以往工作:

  • 在神经网络中引入了成熟的高斯-拉普拉斯图像金字塔分解技术,并使用一个相对较浅的网络来处理每个金字塔层的学习问题
  • 通过反复展开一个浅ResNet提出了一个渐进的循环网络,并引入了一个循环层来利用跨阶段的深层特征的依赖关系
  • 提出了深度堆叠分层多patch网络。每个层次关注不同尺度的模糊,较细的层次将其残差图像贡献给较粗的层次
  • 一种多级渐进图像恢复架构,其中有两个编码器-解码器子网络和一个原始分辨率子网络
  • 监督注意模块(SAM)和每两阶段之间的跨阶段特征融合模块(CSFF)

方法

总体结果如下所示:
在这里插入图片描述
本文提出的半实例标准化:
本文的半实例标准化是通过通道上面进行划分的
在这里插入图片描述
损失函数:
在这里插入图片描述
SAM的结构
在这里插入图片描述
CSFF模块:
在这里插入图片描述
后面有时间再来补充这篇论文笔记

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

小杨小杨1

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
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