MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution论文笔记

最新推荐文章于 2023-10-22 15:02:49 发布
最新推荐文章于 2023-10-22 15:02:49 发布
阅读量1.4k 收藏 8
点赞数 1
分类专栏： 高光谱超分 融合 注意力机制 transformer 文章标签： 深度学习 计算机视觉 算法
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/siyumiao_hbu/article/details/119820185
版权

MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution

MASA-SR基于匹配加速和空间适应的有参考超分辨率

CVPR2021，代码：https://github.com/dvlab-research/MASA-SR。

快手，思谋，港中文

基于参考的图像超分辨率 (RefSR) 在利用外部参考图像 (Ref) 恢复高频细节方面取得了可喜的成功。在这个任务中，纹理细节根据它们的点或片对应从 Ref 图像转移到低分辨率 (LR) 图像。因此，高质量的对应匹配至关重要。迫切需要计算效率的提高。此外，现有的 RefSR 方法往往会忽略 LR 和 Ref 图像之间潜在的巨大分布差异，这损害了信息利用的有效性。在本文中，本文为 RefSR 提出了 MASA 网络，其中设计了两个新颖的模块来解决这些问题。提出的匹配和提取模块通过粗到细的对应匹配方案显著降低了计算成本。空间自适应模块学习 LR 和 Ref 图像之间的分布差异，并以空间自适应的方式将 Ref 特征的分布重新映射到 LR 特征的分布。该方案使网络能够稳健地处理不同的参考图像。大量的定量和定性实验验证了本文提出的模型的有效性。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

有梦想的炸豆皮
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
taller2-Erika-Masa：GitHub Classroom创建的taller2-Erika-Masa
02-12
较高的2：分析变量和表示变量。 Ejericios Realizar los ejercicios del archivo taller2.txt
axios-cookiejar-support:添加对cookie的强力cookie支持
04-28
axios-cookiejar-支持 为添加支持。 安装 $ npm i axios tough-cookie axios-cookiejar-support - 或者 - $ npm i axios tough-cookie @3846masa/axios-cookiejar-support # Same as above 打字稿 如果要与TypeScript一起使用，请添加@types/tough-cookie 。 npm i @types/tough-cookie 用法 const axios = require ( 'axios' ) . default ; const axiosCookieJarSupport = require ( 'axios-cookiejar-support' ) . default ; const tough = require ( 'to
Plan-de-Masa-Node-Server:Plan de Masa 的 MEAN 堆栈
05-30
PlandeMasaWebPage
MASA-SR:MASA-SR
04-01
MASA-SR 我们的CVPR2021论文PyTorch正式实现 依存关系 Python3 火炬> = 1.1.0 火炬视觉> = 0.4.0 准备数据集 下载和 将数据集放置在以下结构中： CUFED ├── train │ ├── input │ └── ref └── test └── CUFED5 开始使用 克隆此仓库git clone https://github.com/Jia-Research-Lab/MASA-SR.git cd MASA-SR 下载数据集。 根据您的数据路径，在test.py和train.py修改参数--data_root 。 评估 下载预训练的模型并将其放入pretrained_weights/文件夹中 可以从下载预先训练的模型 masa_rec.pth ：仅受重建损失训练 masa.pth ：受过所有损失的训练 运行test.
mass-masa：受指导者匹配脚本
02-13
导师/助教匹配脚本 简单的脚本，可随机匹配导师和受训者。 输入： mentor1.csv-最多可容纳一名受训者的指导者列表 mentor2.csv-最多需要两名受训者的指导者列表 students.csv-学生名单 输出： mentor_match.csv-指导者及其一两个指导者的列表 student_match.csv-学生及其导师列表 通常，我会不断为没有足够多学生的导师修剪导师列表，因为更多的学生想要一位导师。
MASA-SR: 匹配加速和空间自适应的基于参考的超分重建 | 附代码——【CVPR2021】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
08-23 1230
这篇论文 似乎不是 类似传统认知的 SRGAN 那种的 超分重建 作者只是在 CUFED5 数据集上进行训练和验证， 非主流操作 文章目录基础信息摘要【 踩坑，没有深入研究，只是简单记录，该代码正确运行过程】环境搭建默认模型和数据配置数据和预训练模型下载博文正确运行【最少修改】，数据路径放置方式如下修改 --data_root 数据 主目录测试【简记】使用 GPU 进行测试【运行一会会报错】使用 CPU 进行测试【可以运行-速度很慢】训练【简记】First train masa-rec only wi.
MASA-SR代码复现踩坑记录
DDGXFSJ的博客
04-06 405
注意这里的default='./'改成代码的根目录！我之前一直改成default='./CUFED/test/CUFED5'就读不进去图片。最后在命令行里sh test.sh 就成功输出结果啦，结果保存在MASA-SR-main/test_results/TestSet/masa_rec_TestSet里。用的我以前跑其他代码的anaconda环境，这里就不赘述了（注意python/potorch/torchvision的版本匹配问题沃）代码小白，记录一下自己的学习历程，只跑了test看看效果。
MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution
weixin_48778202的博客
11-15 532
MASA-SR笔记
Larryzx的博客
03-13 864
主要组成 编码器 Encoder 匹配与提取模块（MEM） Math & Extraction Modules 空间自适应模块（SAM） Spatial Adaptation Modules 将Ref特征的分布映射到LR特征的分布 双残差聚合模块（DRAM）Dual Residual Aggregation Modules 进行有效的特征融合 名词解释 LR 低分辨率图像 Ref↓ 表示 x4双三次下采样参考图 Ref 参考图 编码器 与之前使用预先训练过.
Learning Texture Transformer Network for Image Super-Resolution论文解读-参考图像超分重建
the步履不停shy的博客
10-26 1344
最近阅读了一篇参考图像超分重建的论文，这是微软研究院在CVPR2020的一篇论文，主要讨论了借助参考图像完成超分重建的任务。通过学习参考图像的纹理特征，从而恢复低分辨率图像的纹理信息，实现图像超分重建的任务。 Intruction 图像超分重建的目的是从低分辨率图像恢复高分辨率图像所对应的自然以及真实的纹理。近年来，图像超分在众多领域有所应用。相关研究通常两个方面进行，包括单图超分重建（SISR）、基于参考的图像超分重建（RefSR）。而SISR本身受限于高分辨率纹理在退化过程中被过度破坏而无法恢复，所以可
Example-Based Super-Resolution
04-29
为了解决大多数模型缺乏分辨率无关性的问题，我们为建立放大图像合理的高频细节开发了一个快速的、简单单通的、以训练图集为基础的超分辨率算法。
【论文阅读】CVPR2021|超分辨率重建相关论文整理与阅读（持续更新）
Slow down, Keep learning and Enjoy life
03-11 6728
本文主要对CVPR2021中超分辨率论文相关进行整理与阅读。 ClassSR: A General Framework to Accelerate Super-Resolution Networks by Data Characteristic github code: https://github.com/Xiangtaokong/ClassSR 本文idea巨简单，根据LR图像块重建的难易程度进行分类，难的用深的模型，容易的用小模型，用来进行加速。之前其实就有类似的思想。 参考：CVPR2021
开源论文推荐：含人脸识别、实例分割、跟踪、SR等
jacke121的专栏
06-14 2178
周刊论文分享又来了！本次包含超分辨率、用于实时防暗无人机追踪器、实例分割、人脸识别、图像和谐化等，共计 7 篇。 01 MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution 来自港中文&快手&思谋科技 基于参考的图像超分辨率通过利用外部参考图像进行恢复高频细节方面取得了成功。其中纹理细节是根据它们的 po...
【CVPR2021】文章、代码和数据链接
qq_36717487的博客
04-16 1790
Awesome-CVPR2021-Low-Level-Vision 整理汇总下今年CVPR图像重建(Image Reconstruction)/底层视觉(Low-Level Vision)相关的论文和代码，括超分辨率，图像去雨，图像去雾，去模糊，去噪，图像恢复，图像增强，图像去摩尔纹，图像修复，图像质量评价，插帧，图像/视频压缩等任务。大家如果觉得有帮助，欢迎star~~ 参考或转载请注明出处 CVPR2021官网：http://cvpr2021.thecvf.com CVPR完整论文列表：https://
基于参考的图像超分辨率（Ref-SR）和风格转移（Ref-ST）
最新发布
qq_58702163的博客
10-22 206
基于参考的图像超分辨率（Ref-SR）和风格转移（Ref-ST）是图像处理和计算机视觉中的两种技术，它们使用参考图像来改进图像超分辨率和图像的风格。总之，基于参考的图像超分辨率和风格转移是两种图像处理技术，它们使用参考图像来改进图像的分辨率和外观。1.定义： 基于参考的图像超分辨率是一种图像处理技术，它使用与目标图像相关的参考图像来提高目标图像的分辨率。4.定义： 基于参考的图像风格转移是一种图像处理技术，它使用参考图像的艺术风格来改变目标图像的外观和风格，同时保留目标图像的内容。
8/19 (CVPR2020) Robust Reference-based Super-Resolution with Similarity-Aware Deformable Convolution
qq_40723205的博客
08-20 2255
Abstract: 本文为基于参考图像的超分方法提出了一个参考图像对齐特征提取网络（Similarity Search and Extraction Network） 传统方法是在参考图像上用暴力搜索或者光流估计寻找与目标图像的最佳匹配位置，本文方法采用端到端的训练方法没有额外的监督或者大的计算量。 本文提出的模型不仅可以预测最佳的匹配位置，而且可以知道最佳匹配的关联。这使得本文方法对不相关的参考图像更加鲁棒（RefSR性能退化存在的主要问题）。如果没有参考图像，可以利用self-similari..
【图像超分辨率】RRSGAN: Reference-Based Super-Resolution for Remote Sensing Image
qq_41807261的博客
04-23 923
RRSGAN: Reference-Based Super-Resolution for Remote Sensing Image摘要：1. 介绍2 相关工作A. 遥感图像的SRB. SISRC. RefSR3. 方法A. 梯度辅助特征对齐方法1) 特征提取模块2）特征对齐模块B. 端到端网络结构1) LR特征提取器2）RAM3) 纹理变换器4) 鉴别器C. 损失函数1) 重建损失2) 对抗性损失3) 感知损失4) 梯度损失D. 实施细节4. 试验A. 数据集B. 评估指标C. 与不同方法的定量和定性比较D
文献阅读:CrossNet: An End-to-end Reference-based Super Resolution Network using Cross-scale Warping
暮日落流年的博客
01-05 5031
文章地址：https://arxiv.org/abs/1807.10547 视频地址：https://www.youtube.com/watch?v=7htEaaNkxG8 作者的项目地址：ECCV2018_CrossNet_RefSR 1.1 简单介绍     目前除了SISR(Single image super resolution)进行图像超分辨重建...
SRNTT论文阅读
陈建驱的博客
08-19 1268
论文：Image Super-Resolution by Neural Texture Transfer .Zhifei Zhang,Zhaowen Wang,Zhe Lin,Hairong Qi 摘要：由于低分辨率(LR)图像存在大量的信息丢失，继续提高单图像超分辨率(SISR)的性能已越来越困难。另一方面，当参考(Ref)图像与LR输入的内容相似时，基于参考图像的超分辨率(RefSR)在恢复高分辨率(HR)细节方面是promising。但是当Ref图像与ground truth不太相似时，Re..

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

有梦想的炸豆皮

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