【图像超分辨】SRDenseNet

最新推荐文章于 2022-08-19 01:29:18 发布
最新推荐文章于 2022-08-19 01:29:18 发布
阅读量4.5k 收藏 12
点赞数 1
分类专栏： 超分辨SR
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/sinat_36197913/article/details/104928991
版权
SRDenseNet采用DenseNet的稠密块结构解决超分辨率问题，通过卷积层、多个稠密块、反卷积层及不同类型的跳跃连接组合，实现高效特征融合，提高图像重建质量。网络结构分为四部分，最佳性能体现在使用所有深度层特征的第三种结构，证明不同层特征信息互补。
摘要由CSDN通过智能技术生成

SRDenseNet

DenseNet是CVPR2017的best papaer获奖论文。DenseNet在稠密块(dense block)中将每一层的特征都输入给之后的所有层，使所有层的特征都串联(concatenate)起来，而不是像ResNet那样直接相加。这样的结构给整个网络带来了减轻梯度消失问题、加强特征传播、支持特征复用、减少参数数量的优点。一个稠密块的结构如下图所示。

在这里插入图片描述

网络结构

SRDenseNet将稠密块结构应用到了超分辨率问题上，取得了不错的效果。网络结构如下图所示。
在这里插入图片描述
SRDenseNet可以分成四个部分。首先是用一个卷积层学习低层的特征，接着用多个稠密块学习高层的特征，然后通过几个反卷积层学到上采样滤波器参数，最后通过一个卷积层生成高分辨率输出。

文章中针对用于最后重建的输入内容不同，设计了三种结构并做了比较。一是反卷积层只输入最顶层稠密块的输出。二是添加了一个跳跃连接，将最底层卷积层的输出特征和最顶层稠密块的输出特征串联起来，再输入反卷积层。三是添加了稠密跳跃连接，就是把稠密块看成一个整体，第一个卷积层的输出以及每个稠密块的输出，都输入给在之后的所有稠密块，像是把在反卷积层之前的整个网络也设计成像稠密块那样的结构。由于这样做，所有的特征都串联起来，这样直接输入反卷积层会产生巨大的计算开销，因此添加了一个核大小为1×1的卷积

最低0.47元/天 解锁文章
而与你及
关注
专栏目录
【图像超分】论文精读：Image Super-Resolution Using Dense Skip Connections（SRDenseNet）
畅游计算机视觉的海洋
03-30 6033
最近的研究表明，利用深度卷积神经网络可以显著提高单幅图像超分辨率方法的性能。在这项研究中，我们提出了一种新的单图像超分辨率方法，通过在非常深的网络中引入密集的跳跃连接。在所提出的网络中，每一层的特征图被传播到所有后续层，提供了一种有效的方法来结合低级特征和高级特征来提高重建性能。此外，网络中的密集跳跃连接使短路径可以直接从输出构建到每一层，缓解了非常深的网络的梯度消失问题。此外，将反卷积层集成到网络中以学习上采样滤波器并加速重建过程。此外，所提出的方法大大减少了参数的数量，提高了计算效率。
srdensenet
qq_40107571的博客
08-29 528
srdensenet论文复现
超分之SRDenseNet
Ton的博客
03-15 4073
这篇文章的总体网络架构和DCSCN这篇很类似：通过构建一个具有skip connection结构的end-to-end的CNN网络。 文章推出的新模型被称之为SRDenseNet，其利用Dense块作为基本结构，使用skip connection来结合低层特征信息和高层特征信息，然后通过反卷积网络进行图像重建，从而实现LR→HRLR\to HRLR→HR的转变，并且也说明不同深度层的特征之间包含的信息是互补的。 参考文档： ①深度学习端到端超分辨率方法发展历程 Image Super-Resolution.
SRDenseNet
qq_40107571的博客
08-19 687
密集连接在超分领域的应用（SRDenseNet）
超分辨率matlab代码-SRDenseNet-pytorch:SRDenseNet-pytorch（ICCV_2017）
05-26
超分辨率matlab代码SRDenseNet-pytorch 论文的实现：PyTorch中的“使用密集跳过连接实现图像超分辨率”（） 用法 训练 usage: main.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS] [--lr LR] [--step STEP] [--cuda] [--resume RESUME] [--start-epoch START_EPOCH] [--threads THREADS] [--pretrained PRETRAINED] Pytorch SRDenseNet train optional arguments: -h, --help show this help message and exit --batchSize BATCHSIZE training batch size --nEpochs NEPOCHS number of epochs to train for --lr LR Learning Rate. Default=1e-4 --step STEP Sets the lea
srdensetnet论文复现
08-29
srdensenet论文的复现
【论文笔记】（SR）《Residual Dense Network for Image Super-Resolution》
jiamenghu的博客
10-28 484
《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
SRDenseNet（Image Super-Resolution Using Dense Skip Connections）超分辨网络-详细分析
weixin_46515047的博客
12-22 1792
Contents1. IntroductionReferences 1. Introduction References SRDenseNet超分辨网络-详细分析
复现 DenseNet （Keras）
__不想写代码__的博客
10-24 4256
文章目录前言一、什么是DenseNet？二、keras 复现1.Conv Block2.Dense Block3.Transition Block总结 前言 据说DenseNet 是优于ResNet的网络结构，有着参数少，性能优越的特点并且实现思路很简单。 表面上好像是跨连接，实际上是concatenate 特征图。 一、什么是DenseNet？ 先来看一张图 上图描述的就是DneseBlock的计算过程，它并不是像ResNet 一样 对卷积计算的结果进行Add，而是利用每次计算的特征图进行堆
双目图像超分辨：现状、挑战与展望
谦sir的专栏
02-12 4570
【更新时间：2020年4月17日】 大家检查视力时经常会有这样的体验：有时左眼与右眼均无法单独看清视力表的某一行，但是双眼一起就能看清。其中所蕴含的原理让我们深思：左眼与右眼图像含有互补信息，有利于对图像的重建与细节的恢复。这便是双目图像超分辨的核心思想——利用左右图的互补信息提升图像的分辨率。随着双摄像头成像设备的发展，双目图像超分辨在手机摄像、自动驾驶、遥感与侦察监视、智能机器人等领域具有光明的发展前景。本文将解读双目图像超分辨领域近年来的主要论文，并简要分析该领域存在的挑战与未来工作。
图像超分辨重构（SR）论文整理————适用于刚接触这个领域的初级研究者。(持续更新)
热门推荐
u012395979的专栏
01-07 1万+
因为最近需要研究一下超分辨重构问题，因此将相关工作进行整理，选取了部分论文进行介绍。如有错误，烦请留言指正。如有版权问题，也请联系博主。 已盘点文章 SRCNN（16，PAMI） VDSR（16，CVPR） LapSRN（17，CVPR） SRGAN（17，CVPR oral） EDSR（17，CVPR workshop） RDN(18，CVPR) RCAN（18，ECCV） E...
图像超分辨率技术
吴建明wujianming_110117
04-22 831
图像超分辨率技术 近年来，随着高清设备的普及，用户端显示设备的分辨率已经普遍提升到了 2K 甚至更高的水平。相对早期的游戏或电影在上述设备上往往无法得到很好的表现，这促使了很多经典游戏和电影的高清重制工作被提上日程。在整个重制过程中，最核心的就是多媒体素材的高清重建工作，而该部分工作在过去往往只能通过聘请专业的设计师耗费大量的资源来完成。 近年来，图像超分辨率技术的发展为上述问题提供了一个全新的解...
图像超分辨率综述：Deep Learning for Image Super-resolution: A Survey 阅读笔记
weixin_43514766的博客
11-06 6612
图像超分辨率综述：Deep Learning for Image Super-resolution: A Survey 阅读笔记Deep Learning for Image Super-resolution: A Survey简介功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML
2019/7/15学习内容【SRDenseNet、SRGAN(SRResNet)、 EDSR】
RanCh.Wong
07-16 2092
原文https://blog.csdn.net/aBlueMouse/article/details/78710553
[ 图像分类 ] 经典网络模型5——DenseNet 详解与复现
A_John 的博客
04-21 3467
[ 图像分类 ] 经典网络模型5——DenseNet 详解与复现 1、Dense Convolutional Network 2、DenseNet 详解 3、DenseNet 复现 就是熟知的 `` DenseNet（密集卷积网络）``，是 CVPR 2017年 的 Oral ； 对于每一层，前面所有层的特征映射作为输入，并将特征映射作为后续所有层的输入 ； 它缓解了 ``消失梯度`` 问题，加强了 ``特征传播`` ，鼓励了 ``特征重用`` ，并大大减少了 ``参数量`` ；...
基于深度学习的单图超分辨
Arthur_Holmes的博客
03-31 3495
本文为 AI 研习社社区用户 @月本诚 独家投稿内容，欢迎扫描底部社区名片访问 @月本诚 的主页，查看更多动态。阅读提示：本文约12800字/58图，建议阅读时间：37分钟。放大的艺术 | 基于深度学习的单图超分辨“放大的艺术 —— 细节决定成败”超分辨(Super-Resolution)是一种用来提升图像或视频分辨率的技术，它能利用低清图像生成尽可能自然、逼真的高清图像。超分辨技术可用来解决图像...
读论文《SNUNet-CD: A Densely Connected Siamese Network for Change Detection of VHR Images》
qq_33339770的博客
06-14 4286
本文提出了一个用于变化监测的稠密连接孪生网络，命名为SNUNet-CD（联合孪生网络与Nested-UNet）。SNUNet-CD通过编码器与解码器之间紧密的信息传输减少了深层网络训练中位置信息的丢失，同时还提出了一种集成通道注意力机制（ECAM）进行深层监督。通过ECAM可将不同语义级别的最具代表性的特征进行细化，并用于最终的分类。实验结果表明，本文所用方法极大地改进了许多评估标准，与其他先进的变化检测算法相比，本文所用方法在精度和计算量上有更好的权衡。...
超分算法小合集之SRCNN、DCSCN、SRDenseNet、SRGAN
qq_45122568的博客
03-20 8595
阅读指引SRCNNDCSCNSRDenseNetSRGAN 论文快速指引： SRCNN：Learning a Deep Convolutional Network for Image Super-Resolution DCSCN：Fast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Network SRDenseNet：Image Super-Resolution Using Dens
稀疏表示驱动的图像超分辨重建算法
该算法在通用图像超分辨率重建和人脸幻构任务中表现出色，生成的高分辨率图像质量优于其他同类方法。值得注意的是，算法的局部稀疏模型具有噪声鲁棒性，使得它也能处理带有噪声的输入图像，这扩展了其在实际应用中的...
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
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