【超分辨率】Deeply-Recursive Convolutional Network for Image Super-Resolution

最新推荐文章于 2024-08-15 09:58:54 发布
最新推荐文章于 2024-08-15 09:58:54 发布
阅读量6.5k 收藏 13
点赞数 4
分类专栏： 超分辨率方向 文章标签： 超分辨率 深度学习与计算机视觉
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/shwan_ma/article/details/77801249
版权

这篇文章在超分辨率中应该算是一种标杆类的算法，虽然Recursive-Convolution Network在图像上的应用并不是由这篇文章率先提出，但在超分辨率处理中应该是第一篇。

首先简单介绍下网络模型，作者将该网络分成3个subnet，Embedding network， Inference Network和Reconstruction Network。
这里写图片描述

Embeding Net

Embeding Net主要是将输入图像转成一系列的feature map表示，相当于SRCNN和稀疏编码算法中的特征提取过程。该子网络主要注重提取特征，将其送入Inference Net去恢复低分辨率图像中的miss high-frequency

由图1可以看出，作者为Embeding Net设置了两层，embeding Net的数学描述如下：

最低0.47元/天 解锁文章
Shwan_Ma
关注
专栏目录
【图像超分】论文精读：Deeply-Recursive Convolutional Network for Image Super-Resolution (DRCN)
畅游计算机视觉的海洋
03-15 9390
我们提出了一种使用深度递归卷积网络 (DRCN) 的图像超分辨率方法 (SR)。我们的网络有一个非常深的递归层（最多 16 个递归）。增加递归深度可以提高性能，而无需为额外的卷积引入新的参数。尽管具有优势，但由于梯度爆炸/消失，使用标准梯度下降法学习 DRCN 非常困难。为了减轻训练的难度，我们提出了两个扩展：递归监督和跳层连接。我们的方法大大优于以前的方法。
【图像超分】论文精读：Image Super-Resolution via Deep Recursive Residual Network (DRRN)
畅游计算机视觉的海洋
03-18 9132
最近，基于卷积神经网络 (CNN) 的模型在单图像超分辨率 (SISR) 方面取得了巨大成功。由于深度网络的强度，这些 CNN 模型从低分辨率输入图像学习到高分辨率目标图像的有效非线性映射，但代价是需要大量的参数。本文提出了一种非常深的 CNN 模型（最多 52 个卷积层），称为深度递归残差网络 (DRRN)，用于努力实现深度而简洁的网络。具体来说，采用残差学习，无论是全局还是局部方式，以减轻训练非常深的网络的难度；递归学习用于在增加深度的同时控制模型参数。广泛的基准评估表明，DRRN 在利用更少的参数的同
Deeply-Recursive Convolutional Network for Image Super-Resolution
weinidakaishijian的博客
07-20 5067
Deeply-Recursive Convolutional Network for Image Super-Resolution 摘要   我们提出了使用深度递归卷积网络（DRCN）的图像超分辨率方法（SR）。 我们的网络有一个非常深的递归层（最多16个递归）。增加递归深度可以提高性能，而不会为附加卷积引入新参数。 尽管有一个优点，但由于梯度爆炸/消失问题，使用标准梯度下降法来学习DRC
【论文阅读】Deeply-Recursive Convolutional Network for Image Super-Resolution
weixin_34253126的博客
04-07 249
2019独角兽企业重金招聘Python工程师标准>>> ...
推荐文章：像素递归超分辨率——让图像更清晰的黑科技
最新发布
gitblog_00405的博客
08-15 647
推荐文章：像素递归超分辨率——让图像更清晰的黑科技 pixel-recursive-super-resolutionTensorflow implementation of pixel-recursive-super-resolution(Google Brain paper: https://arxiv.org/abs/1702.00783)项目地址:https://gitcode.com/g...
DRCN（Deeply-Recursive Convolutional Network for Image Super-Resolution）超分辨网络-详细分析
weixin_46515047的博客
12-22 1842
Contents1. Introduction2. Related Work2.1. Single-Image Super-Resolution2.2. Recursive Neural Network in Computer Vision3. Proposed Method3.1. Basic Model3.2. Advanced Model3.3. Training4. Experimental Results4.1. Datasets4.2. Training Setup4.3. Study of D
DRCN - Deeply-Recursive Convolutional Network for Image Super-Resolution 读后感
THE XING
03-23 838
DRCN 利用了recursive layer（up to 16 recursions）。如果增加了recursion depth，但是没有增加parameters的数量，而之前说过网路越深，效果一般越好。但实际上，这种网络不好训练，所以原文提出了recursive-supervision 和 skip-connection缓解训练难的问题。 原文沿用了SRCNN的思想，把network拆分了s...
Deeply-Recursive Convolutional Network for Image Super-Resolution 笔记
菲尼克斯罗的学习笔记
11-13 2323
首先介绍下，2016 CVPR的两篇SR oral是同一作者. Deeply-Recursive Convolutional Network for Image Super-Resolution(DRN) Accurate Image Super-Resolution Using Very Deep Convolutional Networks(VDSN)先介绍DRNAbstract： 如果训
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 5121
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
【计算机视觉】递归神经网络在图像超分的应用Deep Recursive Residual Network for Image Super Resolution
weixin_43693967的博客
08-23 870
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。为了增加网络的感受野，提高网络性能，引入了深度递归神经网络，递归模块权重共享减少了模型所需参数量，但出现了梯度爆炸/消失问题，又研究出了递归监督和跳跃连接两个扩展办法。递归监督：把每次递归后的特征映射都用于重建目标高分辨率图像HR。由于每次递归都会导致不同的HR预测，因此作者将不同级别的递归产生的所有预测结合起来，以提供更准确的最终预测。每次递归的预测都受到GT监督。
Example-based super-Resolution
04-09
William T. Freeman, Thouis R. Jones, and Egon C. Pasztor Mitsubishi Electric Research Labs
image super-resolution via sparse representation
06-04
文章中提出了一种基于稀疏表示的图像超分辨率算法研究
pixel-recursive-super-resolution, Pixel 递归超分辨率( Google Brain )的Tensorflow实现.zip
09-17
pixel-recursive-super-resolution, Pixel 递归超分辨率( Google Brain )的Tensorflow实现 Pixel 递归 super-解决方案Pixel 递归 super 解析的TensorFlow实现。 这里实现包含： 要求python 2.7SkimageTensorFlow 1.0用法首先，下载数据 celebA
从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程
热门推荐
aBlueMouse的博客
12-04 5万+
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。 本文针对端到端的基于深度学习的单张图像超分辨率方法(Single Image Super-Resolution, SISR)，总结一下从SRCNN到EDSR的发展历程。(排列顺序大致按论文中给出的4倍上采样结果的峰值信噪比(Pe
超分辨率(super-resolution)VS解模糊(deblur)
年轻即出发，
11-21 2万+
实际生活中对模糊图像的处理已经迫在眉睫，不管是相机抖动，雾霭，噪声，本身分辨率不够，等多种原因，都需要一种有效的方法将不清晰的模糊的图像变为清晰的图像。一种方法是提高图像的分辨率，另一种就是提高图像的质量（类似photoshop中图像的品质）。由此也产生2个不同的研究方向，一个是超分辨率方向，一个是解模糊方向。 1.超分辨率   SRCNN 香港中文大学，汤小欧老师组提出的。2014年的一...
super-resolution
JIN RIZE's 研二
11-15 747
<br />http://www.cvchina.info/tag/super-resolution/
超分 Super-Resolution
yang_daxia的博客
12-01 2519
1、入门 定义：超分即把一个低分辨率低图片恢复为高分辨率低图像 数据来源：把高分辨率低图片通过人工加噪声等方式变成高分辨率 卷积种类： 先上采样再恢复 先恢复再上采样 渐进式等上采样 循环式等上采样和下采样 损失函数：一般分为多种损失函数，使用不同等损失函数叠加。 基于像素的Pixel Loss 如L2\L1 基于内容的Content loss，如利用一个训练好的分类网络，对模型输出的图片和标注图像分别做分类，求loss 基于纹理的Texture Loss，如利用一个训练好的分类网络，.
深度学习驱动的单图像超分辨率重建：SRCNN与DRCN比较
为了解决这个问题，后续的研究者提出了DRCN（Deeply-Recursive Convolutional Network for Image Super-Resolution），这是一个更深的递归卷积网络模型。DRCN通过增加网络深度和扩大感受野，进一步提升了图像超...
评论 5
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
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