WDSR:Wide Activation for Efficient and Accurate Image Super-Resolution

最新推荐文章于 2020-08-26 16:40:38 发布
最新推荐文章于 2020-08-26 16:40:38 发布
阅读量1.7k 收藏 8
点赞数 2
分类专栏： 图像超分辨率
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/wangchy29/article/details/88836082
版权

Wide Activation for Efficient and Accurate Image Super-Resolution

Jiahui Yu,Yuchen Fan,Jianchao Yang,Ning Xu,Zhaowen Wang,Xinchao Wang,Thomas Huang

本文是NTRIE2018年超分辨率比赛的冠军。

主要贡献

  1. 论文提出在激活函数前with expand feature可以使更多信息通过，提升网络性能，基于此提出WDSR-A。
  2. 论文使用linear low-rank convolution作为基本的模块，提出WDSR-B。
  3. 论文发现weight norｍalization对SR问题有改进。

WDSR-A

论文发现如果直接增加激活函数前的通道数，在不引入更多参数的情况下，对网络性能的提升没有任何作用。于是论文为了保证复杂度不上升，同时还加宽激活函数前的通道数，提出了一种先使通道数变窄再加宽的方法，提出了WDSR-A。

 WDSR-A的残差块结构如中间的图，和左边的图RB比较，可以看出它把第一个卷积层变窄，而把激活函数前面的卷积层变宽了。假设第一个卷积层的宽度为w_{1}，激活函数前的卷积层宽度为w_{2}

最低0.47元/天 解锁文章
「已注销」
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
【图像超分】论文精读：Fast and Accurate Single Image Super-Resolution via Information Distillation Network（IDN）
畅游计算机视觉的海洋
05-06 158
最近，深度卷积神经网络(CNNs)在单图像超分辨率方面取得了显著的进展。然而，随着网络的深度和宽度的增加，基于cnn的超分辨率方法在实践中面临着计算复杂度和内存消耗的挑战。为了解决上述问题，我们提出了一种深度但紧凑的卷积网络，从原始低分辨率图像中直接重建高分辨率图像。一般来说，所提出的模型由三部分组成，分别是特征提取块、堆叠信息蒸馏块和重建块。通过将增强单元与压缩单元组合成一个蒸馏块，可以有效地提取局部长路径和短路径特征。具体来说，所提出的增强单元将两种不同类型的特征混合在一起，压缩单元为顺序块提取更有用的
Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）
zhangwl27的专栏
01-31 2289
摘要   在本文中我们论证了，针对单图像超分辨率（SISR），在相同参数和计算量下，在ReLU激活之前具有更宽的特征的模型明显有更好的效果。得到的SR残差网络在每个残差block中激活函数前有一个轻便等价但更宽路径（1x到4x）映射路径。为了在不增加计算开销的下进一步扩大激活（6x到9x），我们引入线性低秩卷积到SR网络中，获得了更好的精度-效率的平衡。此外，我们发现对于深的SR网络用归一化权...
【文章阅读】【超解像】-- Wide Activation for Efficient and Accurate Image Super-Resolution
happyday_d的博客
12-31 1080
【文章阅读】【超解像】-- Wide Activation for Efficient and Accurate Image Super-Resolution 论文链接：https://arxiv.org/abs/1808.08718v1 code：https://github.com/JiahuiYu/wdsr_ntire2018 本提出的网络结构在NTIRE2018比赛中SISR中获得了3个第...
论文阅读笔记六十六:Wide Activation for Efficient and Accurate Image Super-Resolution(CVPR2018)...
weixin_33798152的博客
06-01 285
论文原址:https://arxiv.org/abs/1808.08718 代码:https://github.com/JiahuiYu/wdsr_ntire2018 摘要 本文证明在SISR中在ReLU之前特征图越宽，在有效的计算资源及内存条件下，模型的性能越好。本文提出的残差网络具有平滑的identity mapping pathway，在激活层之前，每个bloc...
Wide Activation for Efficient and Accurate Image Super-Resolution文章解读
breezero的博客
06-02 788
Wide Activation for Efficient and Accurate Image Super-Resolution 文章地址：https://arxiv.org/abs/1808.08718v1 论文代码：https://github.com/JiahuiYu/wdsr_ntire2018 最近才看到这篇文章，我认为里面有好多东西还是很不错的，至少文中不...
WDSR-Wide Activation for Efficient and Accurate Image Super-Resolution 论文代码
12-25
WDSR,Wide Activation for Efficient and Accurate Image Super-Resolution论文代码，pytorch实现，欢迎各位下载！
Multimodal-Image-Super-resolution-via-Deep-Unfolding-with-Side-Information
04-14
Two types of implementation for LeSITA activation can be found in utils.py首先介绍了使用LeSITA将卷积多模态稀疏编码展开为用于图像恢复的深层多模态CNN形式。 DMSC网络也是一种多模态前馈神经网络（基于带有...
jakarta.activation-api-1.2.1-API文档-中文版.zip
07-07
赠送jar包：jakarta.activation-api-1.2.1.jar； 赠送原API文档：jakarta.activation-api-1.2.1-javadoc.jar； 赠送源代码：jakarta.activation-api-1.2.1-sources.jar； 赠送Maven依赖信息文件：jakarta.activation...
jakarta.activation-1.2.2-API文档-中英对照版.zip
05-04
赠送jar包：jakarta.activation-1.2.2.jar； 赠送原API文档：jakarta.activation-1.2.2-javadoc.jar； 赠送源代码：jakarta.activation-1.2.2-sources.jar； 赠送Maven依赖信息文件：jakarta.activation-1.2.2.pom；...
javax.activation-api-1.2.0-API文档-中文版.zip
04-23
赠送jar包：javax.activation-api-1.2.0.jar； 赠送原API文档：javax.activation-api-1.2.0-javadoc.jar； 赠送源代码：javax.activation-api-1.2.0-sources.jar； 赠送Maven依赖信息文件：javax.activation-api-...
Accurate Image Super-Resolution Using Very Deep Convolutional Networks
weinidakaishijian的博客
07-20 4601
Accurate Image Super-Resolution Using Very Deep Convolutional Networks 摘要   我们提出了一种高精度的单图像超分辨率（SR）方法。我们的方法使用了一个非常深的卷积网络，灵感来自于用于ImageNet分类的VGG网络。我们发现网络深度的增加可以使得精度的显著提高。 我们的最终模型使用20层。通过在深层网络结构中多次级联
win32超分辩重建WDSR实用程序
04-29
超分辨率重建WDSR(2倍)的win32程序，使用tf_estimator_barebone-master 中的模型wdsr_saved_model.pb
Fast-Single-Image-Superresolution-master_SuperResolution_multi-i
10-03
SuperResolution-master可以实现多幅图像的超分辨重构，需自己选择图像数据路径
Deep Neural Network for Fast and Accurate Single Image Super-Resolution via Channel-Attention-based
qq_34049103的博客
03-08 278
本文提出现行超分网络中存在大量参数，运算复杂，为了解决这些问题，本文提出了将一维卷积与二维卷积联合起来使用以定向提取特征，并减少参数。 该网络的总体架构较为简单，将低分辨率图片输入后经过33的卷积提取浅层特征后，输入到OAM块中进一步提取定向特征，通过全局注意力机制，最后通过两个33卷积降维hou，亚像素到高分辨率图片。 此网络的创新点主要在于oam中的利用1维卷积进行定向采样，从而更充分的提取...
超分辨率：WDSR
qq_41332469的博客
06-25 2342
WDSR为2018年超分冠军模型，模型与EDSR相比，主要有以下几点改进： （1）改变模型基本框架 （2）增加channel个数 （3）WN（权重归一化） 权值归一化是神经网络中权值向量的重新参数化，实际就是重新定义权值w的大小和方向。 由下图可以看出，新的w的大小等于g，方向与v一致。 引入WN可以提高训练的学习效率(即10×)，提高训练和测试的准确性。 详细介绍参见：https://blo...
基于深度学习框架的超分辨率问题三之WDSR
hh_2018的博客
12-24 3859
WDSR是18年比较新的模型，现在又对应的官方pytorch版本，其链接为：https://github.com/JiahuiYu/wdsr_ntire2018 WDSR（2018年冠军模型） 模型架构 主要由于目前使用的结构要么是丢失掉了浅层的信息，比如上述提到的网络，通过各种激活函数，当浅层信息传递到最后时已经丢失了；要么就是采用跳跃链接的方式比如SRDenseNet，此时虽然浅层信息通...
WDSR(NTIRE2018超分辨率冠军)【深度解析】
热门推荐
木盏
12-17 2万+
s超分辨率(super-resolution)的通俗解释就是：将低分辨率的图像通过算法转换成高分辨率图像。听起来似乎很神奇，这样是不是可以把低清电影转换成高清了？就现在来看，基于深度学习的超分辨率(简称SR)已经达到了amazing的效果。 当然，以木盏的习惯就是，只在博文中讨论干货。 这篇博文要解析的算法叫做WDSR，来自UIUC的华人学生JiaHui Yu的论文。在SR界有一个比赛，叫做N...
WDSR实验记录
Doreenqiuyue的博客
08-26 696
WDSR是在EDSR代码的基础上实现的，代码链接在这里 阅读目录一、准备过程1.1 代码修改1.2 操作准备二、训练2.1 训练命令2.2 训练结果2.3 loss曲线2.4 PSNR曲线三、测试3.1 测试命令3.2 测试结果3.3 效果图展示 一、准备过程 1.1 代码修改 参考这里 1.2 操作准备 参考 二、训练 2.1 训练命令 !python main.py --model wdsr_b --epochs 50 --scale 2 --save wdsr_b_x2 --n_resblocks 3
「Wdsr-1」人间之里
青烟绕指柔的博客
04-07 225
题目链接：「Wdsr-1」人间之里 显然我们选择的位置就是区间重心。 然后怎么快速找重心呢？二分+线段树？显然复杂度太高两个log。 我们可以先求出区间 s1=[-up,l-1]和s2=[l,r]的个数。 那么重心就为：kth(s1+(s2+1)/2)。 然后根据重心直接算就行了。 AC代码： #pragma GCC optimize("-Ofast","-funroll-all-loops"...
帮我写一个super-resolution的程序的代码（python）
最新发布
03-06
以下是一个简单的超分辨率程序的 Python 代码，使用了 TensorFlow 和 Keras 库...sr_image = sr_model.predict(test_image) ``` 请注意，这只是一个简单的示例程序，实际上需要根据具体的数据集和任务进行调整和优化。

“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
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