图像超分辨率：任意尺度超分方法Meta-SR: A Magnification-Arbitrary Network for Super-Resolution

已于 2022-11-17 10:31:19 修改
阅读量707 收藏 5
点赞数
分类专栏： 图像处理算法 文章标签： 计算机视觉 人工智能
于 2022-11-17 09:49:37 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/tywwwww/article/details/127897942
版权

1. Meta-SR: A Magnification-Arbitrary Network for Super-Resolution

如下图，b是RDN特征提取网络，关键是c模块 Meta upscale module
input:
这里 meta upscale module的输入是 一个 HW * 3的一个向量，其中HW是放大后的图像尺寸，每行的3列表示的是 映射到 LR图后 的像素位置向下取整的偏移量信息。
举个例子以放大倍数r=2为例子，SR图中x=5的像素，在LR中是x=2.5。那么x- int(x) = 0.5,表示的是相比左上角的偏移量，y方向同理。
其实在做双线性插值的时候也会求这个距离，再求weight, 再加权得到最后的结果。

net:
HW*3的向量通过全连接层 得到 HW * (in_channel * out_channel * k * k)的向量。
这个向量表示的是HW个滤波器，对特征提取网络得到的特征进行滤波，得到最终的 HW尺寸的图像。

在这里插入图片描述

在这里插入图片描述

最终的结果：数据指标基本领先

在这里插入图片描述

在这里插入图片描述

[1]https://www.linkresearcher.com/theses/7cf11c2f-4c19-47e1-a886-fc360c33463c

tony365
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SR超分辨率模型.rar
02-06
4类SR超分辨率模型： EDSR_x2.pb；EDSR_x3.pb；EDSR_x4.pb ESPCN_x2.pb；ESPCN_x3.pb；ESPCN_x4.pb FSRCNN_x2.pb；FSRCNN_x3.pb；FSRCNN_x4.pb LapSRN_x2.pb；LapSRN_x4.pb；LapSRN_x8.pb
基于扩张卷积神经网络的图像超分辨率
热门推荐
独家记忆的博客
12-18 1万+
摘要： 图像超分辨率（SR）由于其广泛的实际应用而引起了人们的广泛关注。SR的目的是从低分辨率图像重建高分辨率图像。利用深度学习方法，特别是卷积神经网络（CNNs）在计算机视觉领域取得的巨大成功，是利用CNNs解决SR问题的好方法。本文提出了一种具有跳跃连接的七层扩张卷积神经网络（DCNN），用于从插值低分辨率图像恢复高分辨率图像。扩展卷积允许我们任意地控制网络的视场（FOV）。据我们所知，这是...
【跨尺度非局部注意的高光谱图像超分】
weixin_43690932的博客
09-04 397
（基于跨尺度非局部注意的高光谱图像超分辨率网络）高光谱图像（HSI）超分辨率通常是指将低空间分辨率HSI（LRHSI）与高空间分辨率多光谱/全色图像（HRMPI）融合得到高空间分辨率HSI（HRHSI）。现有的融合方法。此外，大多数采用卷积神经网络（CNN）结构的基于深度学习（DL）的方法受到其，并且难以利用图像特征的全局依赖性。
CVPR2024 Super-Resolution
qq_47071402的博客
03-07 1488
paper：2403.01598.pdf (arxiv.org)code：Kiteretsu77/APISR: APISR: Anime Production Inspired Real-World Anime Super-Resolution (CVPR 2024) (github.com)paper：2401.03707.pdf (arxiv.org)code：CVPR 2024 Official repository of FMA-Net (github.com)paper：2401.06312.pd
【多尺度密集递归融合网络：超分】
weixin_43690932的博客
02-26 1431
仅供自己参考
图像超分辨率：任意尺度超分： Learning A Single Network for Scale-Arbitrary Super-Resolution（2021）
tony365的博客
11-18 2305
实际是设计了 4个expert （weight +bias）， scale信息通过全连接层，生成weight , 进行加权合成一个expert(weight ， bias)，再进行卷积。输出再与上图的M相乘后 与 F相加， M是4层卷积后的单通道guide map. 其实相当于 图像特征信息 和 scale特征信息相融合，再融合。第二步是 HR 的每个像素都有一个filter, 作用于warp后的图像，每个像素的filter得到了HR该位置的pixel value.其中紫红色的内部结构为下面的结构，
CVPR2019：Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 任意尺度的图像超分辨率
AsajuHuishi的博客
08-05 1522
论文：Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 任意尺度的超分辨率 代码：https://github.com/XuecaiHu/Meta-SR-Pytorch.git 简介 随着深度卷积神经网络(DCNNs)的发展，近年来对超分辨率的研究取得了巨大的成功。然而，任意尺度因子的超分辨率长期以来一直被忽视。以往的研究大多将不同尺度因子的超分辨视为独立的任务。他们针对每个尺度因子训练一个特定的模型，计算效率较低，且只考虑了几个
2023中兴捧月图像赛道-任意尺度盲超分初赛第三方案
qq_43807997的博客
06-08 871
光有伪标签还不够，毕竟单独的伪标签达不到涨点的效果，这时候最关键的是把一个真实图像-超分对和图像-伪标签对组成一个batch进行训练，并给图像-伪标签对给予较低的权重，这样才能保证模型学习到有用的信息。,第一步的右脚就是双线性插值的结果，把双线性插值的结果当作伪标签进行训练，这是最简单也是最直接的方法。
论文笔记 | 【CVPR2023】Cascaded Local Implicit Transformer for Arbitrary-Scale Super-Resolution
CrispyFeSO4的大会堂演奏厅
05-29 1218
lowlevel论文阅读
计算机视觉与图形学-神经渲染专题-超分辨UltraSR
CSS360的博客
08-31 998
《UltraSR Spatial Encoding is a Missing Key forImplicit Image Function-based Arbitrary-Scale Super-Resolution》（说明：如果您认为下面的文章对您有帮助，请您花费一秒时间点击一下最底部的广告以此来激励本人创作，谢谢!!!）LIIF方法和我们的UltraSR在分辨率×18情况下的质量比较。如图所...
Meta-SR-Pytorch:元SR
05-31
元SR Meta-SR 的官方实现：A Magnification-Arbitrary Network for Super-Resolution(CVPR2019)(PyTorch) 我们的代码建立在。 注意力 master 分支有可怕的bug！！！ 我们会尽快检查代码（2020-12-31） 我发现相机准备就绪时出现错误，比例尺1.2上的Meta-RDN的PSNR为40.04，而不是40.40。 要求 pytorch 0.4.0 Python 3.5 麻木的 skimage 图像 简历2 *注意，如果你使用其他版本的pytorch（>0.4.0），你可以重写dataloader.py 安装并运行演示 下载代码 git clone https://github.com/XuecaiHu/Meta-SR-Pytorch.git cd Meta-SR-Pytorch 运行训练演示：
A planar hyperlens-based device for super-resolution magnification imaging in a far field
02-05
A planar-hyperlens-based imaging device is presented in this paper.... The super-resolution magnification imaging principle of the device was analyzed, and the relations of the imaging resolution and mag
Eulerian-Video-Magnification:实施欧拉视频放大技术
05-18
<magnification>最后一个参数是可选的，默认为2。 filter_type是iir或butter 。 video_name使脚本搜索名为./input/<video_name>的视频。 输出将在文件夹./output/<filter>/<video_name>-<magnification...
matlab灰度处理代码-Deep-Convolutional-Networks-for-Magnification-of-DICOM-Bra
05-23
SISR是从低分辨率图像重建高质量图像的动作。 在本文中，我们提出了深度卷积神经网络（CNN），用于增强医学数字成像和通信（DICOM）脑图像。 网络学习低分辨率和高分辨率图像之间的端到端映射。 我们首先从图像中...
具有总变化正则化和阶跃字典学习的嘈杂图像放大
03-18
嘈杂的低分辨率（LR）图像始终是在实际应用中获得的，但是许多现有的图像放大算法无法从嘈杂的LR图像中获得良好的效果。我们提出了两步图像放大算法来解决这个问题。该算法既具有基于正则化的方法又具有基于学习的...
【树莓派】yolov5 Lite，目标检测，树莓派4B，推理v5lite-e_end2end.onnx，摄像头实时目标检测
q742971636的博客
04-25 348
这里有大概的环境配置： https://qq742971636.blog.csdn.net/article/details/138048132yolov5树莓派跑不起来，用yolov5 Lite试试： https://github.com/ppogg/YOLOv5-Lite今天我将向您介绍如何使用YOLOv5 Lite在树莓派上进行目标检测。YOLOv5 Lite是一种轻量级目标检测模型，适用于资源受限的设备，如树莓派。在本文中，我将分享环境配置、项目克隆、模型部署以及示例推理的详细步骤。首先，让我们配置环
计算机视觉（CV）技术的优势和挑战
最新发布
小张的博客
04-25 244
识别准确性：CV技术在进行物体识别和分类时可能存在准确性问题，尤其是在处理具有相似特征的物体时。自动化和效率：CV技术可以自动分析和处理图像数据，减少了人工干预的需求，并提高了工作效率。物体识别和分类：CV技术可以识别和分类图像中的不同物体和特征，例如人脸识别、车牌识别等。数据隐私和安全：CV技术涉及处理大量的个人图像和视频数据，对数据隐私和安全提出了挑战。需要大量的训练数据：为了获得准确的结果，CV技术需要大量的训练数据进行模型训练和优化。计算机视觉（CV）技术具有许多优势和挑战。
论文精读--Learning Efficient Object Detection Models with Knowledge Distillation
m0_73202283的博客
04-19 1204
尽管基于卷积神经网络（CNN）的目标检测器在准确性方面取得了显著的提高，但它们往往需要禁止的运行时间来处理图像以用于实时应用。最先进的模型通常使用非常深层的网络和大量的浮点运算。诸如模型压缩之类的工作学习具有更少参数的紧凑模型，但准确性大大降低。在本工作中，我们提出了一种新的框架，使用知识蒸馏和提示学习来学习紧凑且快速的目标检测网络，并改善准确性。尽管知识蒸馏在简单分类设置中表现出了出色的改进，但检测的复杂性提出了新的挑战，例如回归、区域提议和较少数量的标签。
计算机视觉 | 交通信号灯状态的检测和识别
ttrr27的博客
04-22 562
Hi，大家好，我是半亩花海。本项目旨在使用计算机视觉技术检测交通信号灯的状态，主要针对红色和绿色信号灯的识别。通过分析输入图像中的像素颜色信息，利用OpenCV库实现对信号灯状态的检测和识别。
meta-sr: a magnification-arbitrary network for super-resolution
03-16
Meta-SR是一种用于超分辨率的放大任意网络，它可以通过学习多个不同的放大因子来提高图像的分辨率。该网络使用元学习来自适应地选择最佳的放大因子，从而在不同的图像上获得更好的性能。Meta-SR是一种创新的超分辨率...

“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
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