每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

SRGAN超分辨模型
最新推荐文章于 2023-05-19 11:52:35 发布
原创 最新推荐文章于 2023-05-19 11:52:35 发布 · 1.7k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。

本文介绍了一种结合深度残差网络与GANs概念的超分辨率增强模型SRGAN。该模型包含两个关键组件：一是通过MSE优化的16层残差网络SRResNet；二是利用GANs原理构建的SRGAN网络。实验表明，在多个数据库上，SRGAN在主观视觉效果方面表现优秀。

这篇文章用了深度残差网络同时用到GANs的概念构建的超分辨神经网络模型。主要贡献点：

1.构建由MSE优化的16blocks残差网络（SRResNet）。

2.SRGAN网络游GAN构建的网络。

3.MOS测试在3个数据库上SRGAN都不错的效果。

GAN的感知损失函数，除了GAN损失函数外还有基于内容的损失函数。内容的损失函数有两种，一种是MSE，还有一种是对VGG19的层卷积的结果求方差的损失函数。

网络结构如下图：

Tygrer
关注
《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》阅读笔记
Aaron_wei的博客
08-07 8076
本文提出了一种利用生成对抗网络(GAN)对低分辨率单一图像进行超分辨率(super-resolution)的网络结构，作为GAN的一种重要应用，很值得去学习研究。
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
jsliuqun的博客
02-15 6315
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network...
a1424262219的博客
10-23 302
Photo-Realistic Single Image Super-Resolution Using a Generative AdversarialNetwork 2016.10.23 　　摘要：本文针对传统超分辨方法中存在的结果过于平滑的问题，提出了结合最新的对抗网络的方法，得到了不错的效果。并且针对此网络结构，构建了自己的感知损失函数。先上一张图，展示下强大...
【文章阅读】【超解像】--Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
happyday_d的博客
12-31 3376
【文章阅读】【超解像10】–Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 论文链接：https://arxiv.org/abs/1609.04802 code(tensorflow)：https://github.com/tensorlayer/srgan 本文将GAN网络...
超分辨率：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文翻译
KPer_Yang的博客
08-15 2764
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文详解
CV | SRGAN论文笔记：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
iLOVEJohnny的博客
03-31 1804
题外话 时隔一年多，距离第一篇SRCNN 超分系列的文章再更新 >.< 随着22个月的过去，超分在工业界的落地趋势逐渐明朗，让我们一起来回顾超分辨率这个领域又一经典里程碑式的方法——基于生成式对抗网络的超分辨率网络 SRGAN。 研究背景介绍 超分辨率（super resolution）任务的目标是将输入的低分辨率图像，例如256×256的图像，等比例放大若干倍后（如...
CVPR2017:Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
bobo的烧烤店
11-22 1573
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network摘要论文主体实现代码DatasetModelSRGAN实现结果 摘要 Despite the breakthroughs in accuracy and speed of single image super-resolution using faster and deeper convolutional neural networks, o
【论文阅读】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
zjn1174962912的博客
05-10 841
SRGAN论文阅读
GAN 使用生成对抗网络的逼真的单图像超分辨率 论文翻译
12-11
该资源中，论文中英文版本资源都有，Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 这篇文章的中文翻译 中文名：使用生成对抗网络的逼真的单图像超分辨率 通过谷歌翻译百度翻译等多种翻译单句单句翻译的，格式和公式已经矫正过了，没有乱码。GAN的经典文章，学习生成对抗网络的著名论文，优质翻译你值得拥有，谁用谁知道！
SRGAN: Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
gdtop的个人笔记
02-15 3164
本篇blog的内容基于原始论文SRAGN-Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（CVPR2017）和《生成对抗网络入门指南》第六章。完整代码及简析见文章末尾 一、 摘要：为什么要使用SRGAN 使用更深和更快的CNN已经对超分辨率（super-resolution...
SRGAN:Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
清风吹斜阳
03-13 338
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network Christian Ledig, Lucas Theis, Ferenc Huszár, Jose Caballero ,Andrew Aitken, Alykhan Tejani , Johannes Totz, Zehan ...
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（SRGAN）
zhangwl27的专栏
01-31 811
1.1、相关工作 1.1.1、图像超像素     为了重构真实纹理细节同时避免边缘伪影，Tai等人[52]将基于梯度剖面先验[50]的边缘导向的SR算法与基于学习的细节综合的好处组合。Zhang等人[70]等人提出一个多尺度字典来捕获不同尺度相似图像patches之间的冗余。为了恢复地标图像，Yue等人[67]从网页中检索和相似内容的相关HR图像，提出一个结构感知的匹配标准来对齐。（201...
论文阅读——Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
weixin_44012382的博客
08-19 2985
前言 之前有一段时间看了挺多深度学习方面的论文，但是由于时间方面的问题一直没来得及进行总结。最近一段时间突发奇想把自己看论文时的学习笔记给记录一下，由于之前没写过博文，所以排版可能会有点emmm...一言难尽。专业方面的知识，如果有理解不到位的地方欢迎各位大佬指教。 Abstract 最近，使用卷积网络实现超分辨率的研究集中在最小化均方重构误差这一方向。这种方法可达到较高的峰值信噪比，但是恢复出的图片缺乏纹理细节。 文章提出了一种SRGAN网络，基于感知相似进行对抗训练，使网络可以从低分辨率图像中恢
论文阅读之《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》
热门推荐
Gavinmiaoc的博客
04-10 1万+
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network (arxiv, 21 Nov, 2016)这篇文章将对抗学习用于基于单幅图像的高分辨重建。基于深度学习的高分辨率图像重建已经取得了很好的效果，其方法是通过一系列低分辨率图像和与之对应的高分辨率图像作为训练数据，学习一个从低分辨率图...
Photo-Realistic Single Image Super-Resolution Using a Generative AdversarialNetwork 阅读笔记
weixin_44682222的博客
07-31 492
Photo-Realistic Single Image Super-Resolution Using a Generative AdversarialNetwork 论文链接：https://arxiv.org/abs/1609.04802 超分辨率领域——SRGAN 摘要 目前采用更快更深的卷积神经网络的单幅图像超分辨率的准确性和速度有了突破,但是一个核心问题仍然尚未解决: 当放大因子较大下的超分辨时，如何恢复细小的纹理细节，恢复更多的高频信息？基于优化的超分辨率方法主要取决于目标函数的选择。最近的工作
[SRGAN] Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
sinat_30618203的博客
05-19 202
过去的super-resolution (SR)算法通过最小化mean squared error (MSE)来进行优化，尽管可以提高peak signal-to-noise ratio (PSNR)，但pixel-wise的图像监督无法捕捉到更精细的纹理细节。
SRGAN：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
baixue0729的博客
10-04 1221
作者：Christian Ledig, Lucas Theis, Ferenc Husz´ar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi Twitter 论文链接：https://arxiv.org/pdf/1609.04802.pdf 代码链接：https://github.com/brade31919/
深度学习实现Photo-Realistic图像超分辨率
本资源为SRGAN的tensorflow版本代码实现，基于论文《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》中的研究成果。论文中提出的SRGAN模型在超分辨率领域取得了显著的成果...
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