Residual Feature Aggregation Network for Image Super-resolution 论文解读

最新推荐文章于 2024-05-23 10:35:36 发布
VIP文章 最新推荐文章于 2024-05-23 10:35:36 发布
阅读量6.5k 收藏 27
点赞数 1
分类专栏： 图像超分辨率 文章标签： 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/weihao_950903/article/details/106826046
版权

论文地址：https://urlify.cn/2AZfmi

总述：本论文是南京大学发表在CVPR2020上的一篇工作。现如今在单图像超分领域，研究者通过设计非常深的神经网络(RCAN，SAN，RDN等)来进行训练，从而达到非常好的效果。本篇论文也是从网络结构设计的角度来更好地解决图像超分的问题，小编推荐这篇论文的理由在于同样是很深的网络结构，但是该方法(11M)在参数量小于RCAN(16M),SAN(15.7M)等深度网络的情况下，其衡量指标PSNR却远高于这些方法。

方法

1. 单图像超分的基本网络结构
基本框架
基本的单图像超分网络包含三个部分：head part (1层卷积提取特征)，trunk part (堆叠多个基础模块) 和 reconstruction part (主要是upsample模块)。关于损失函数，本论文使用L1损失。

2. 残差特征聚合框架
为了更加充分利用残差分支的分层特征，本论文设计了残差特征聚合模块如下图所示：
RFA
将每个残差块得到的特征做一个concat操作，并通过1x1的卷积做一个降feature的操作。

3. 空间注意力增强模块
为了最大化的提高RF

最低0.47元/天 解锁文章
爱coco-爱科研
关注
  • 1
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
（cvpr 2020）Residual Feature Aggregation Network for Image Super-Resolution 阅读笔记
qq_40107571的博客
06-30 581
论文地址：Residual feature aggregation network for image super-resolution 摘要：作者这里首先介绍了残差学习的有效性，但是忽略了分层特征。为此作者提出了新的框架，简单通过跳跃连接组织几个残差块去提取更有用信息。为了提升模型的能力，作者提出了增强的空间注意力机制。通过ESA和RFA两个简单的模块搭建模型。 上图介绍了作者提出的RFA框架，可以看出作者是在原始的残差模块的基础上添加了几条跳跃连接。 这部分作者介绍了残差网络的局限性，不能充分利用中间的
阅读（多尺度残差聚合特征网络图像超分辨重建）
qq_40107571的博客
06-27 1386
论文地址：多尺度残差聚合特征网络图像超分辨重建
Residual Feature Aggregation Network for Image Super-Resolution
qq_34049103的博客
08-22 996
近期在跑自己的论文模型所以论文看的比较少，博客也没怎么更，。。。 这篇论文是今年cvpr的一篇超分论文，提出了传统的残差网络并未充分利用各层残差信息，因此该文章提出了一种将各层残差信息经过跳转链接直接传到后层的网络结构（这里想吐槽一下。。。这跟密集残差结构真的很像。。。） 总体网络结构也很简单 另外文章里提出了一种增强的空间注意力机制，并把注意力放在上文中的RB块中，该注意力机制首先通过1*1conv进行降维，后通过步长卷积（其实就是一个步长为2的卷积。。。此处论文中并未说明步长卷积的卷积核大小，代码也
Rethinking Data Augmentation for Image Super-resolution
tony365的博客
03-08 1380
根据方法应用的位置将现有的增强技术分为两组：像素域就是针对图像 和 特征域就是中间的特征层。作者提出cutblur方法，正则化模型使模型可以学到 在图像的什么区域区增强以及如何增强。作者基于提出cutblur数据增强方法以及其他一些辅助方法 构建一个混合的数据增强策略，效果很好。作者主要利用EDSR model 在 DIV2K和 RealSR 两个数据集上从头训练，进行分析。
CVPR2020-RFANet-图像超分辨率新网络 | Residual Feature Aggregation Network for Image Super-Resolution
热门推荐
weixin_42096202的博客
06-12 1万+
创新点都比较小，提升也很小，有种炒冷饭的感觉… 论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Liu_Residual_Feature_Aggregation_Network_for_Image_Super-Resolution_CVPR_2020_paper.pdf Abstract： 最近，深度卷积神经网络（CNN）在单图像超分辨率（SISR）中显示了强大的功能，并且相对于传统方法取得了显着改进。在这些基于CNN的方法中，残差.
【目标检测论文阅读笔记】Small Object Detection in Remote Sensing Images with Residual Feature Aggregation-Based
YoooooL_的博客
05-18 509
本文利用图像超分辨率的概念，使用基于深度学习的检测方法来增强图像分辨率从而检测来自卫星或任何飞行器的遥感图像中的小目标。本文通过结合 循环生成对抗网络（GAN）和残差特征聚合（RFA）来改进当前的超分辨率（SR）框架以提高检测性能，从而为小目标的图像超分辨率提供了基本原理。该方法的新颖之处有三：首先，提出了一个框架，独立于研究中使用的最终目标检测器，即YOLOv3 可以替换为 Faster R-CNN 或任何目标检测器来执行目标检测；其次，在生成器中使用残差特征聚合网络。
深度神经网络的聚集残差变换
weixin_38241876的博客
07-01 887
摘要 提出了一种简单、高度模块化的图像分类网络体系结构。我们的网络是通过重复一个积木块来构造的，它聚合了一组具有相同拓扑的转换。我们的简单设计结果是一个同质的，多分支的架构，只有几个超参数可以设置。这种策略揭示了一个新的维度，我们称之为“基数”(转换集的大小)，作为深度和宽度维度之外的一个基本因素。在ImageNet-1k数据集上，我们经验表明，即使在保持复杂性的限制条件下，增大基数也能提高分类...
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution代码
12-25
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution,pytorch实现的，欢迎各位下载！
Residual-Dense-Net-for-Super-Resolution
04-28
介绍 这是这篇cvpr18的文章的非官方keras+tensorflow实现。 结果 Set5数据集的结果 使用 打开inference.py，里面有xdir改一下，数据集去这里。 测试 想测试PSNR指标，用Matlab更准确，仍然这里。...
Enhanced Deep Residual Networks for Single Image Super-Resolution.pdf
03-28
Enhanced Deep Residual Networks for Single Image Super-Resolution
EDSR(torch)-Enhanced Deep Residual Networks for Single Image Super-Resolution代码
12-25
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution论文代码，NTIRE2017冠军，Torch写的，欢迎各位下载
Enhanced Deep Residual Networks for Single Image Super-Resolution code
05-31
EDSR在结构上就是把批规范化处理(batch normalization, BN)操作给去掉了。文章中说，原始的ResNet最一开始是被提出来解决高层的计算机视觉问题，比如分类和检测，直接把ResNet的结构应用到像超分辨率这样的低层...
【无标题】yoloV8目标检测与实例分割--目标检测onnx模型部署
u014260892的专栏
05-22 509
ONNX Runtime 是一个开源的高性能推理引擎，用于部署和运行机器学习模型，其设计的目标是优化执行open neural network exchange （onnx）格式定义各模型，onnx是一种用于表示机器学习模型的开放标准。onnx模型：ONNX格式的模型文件，通常以.onnx扩展名保存，onnx文件是一种中性表示格式，独立于任何特定的深度学习框架，用于跨不同框架之间的模型转换和部署。要在不同框架或平台中部署训练的pt模型，需要利用ONNX转换工具将pt模型转换为ONNX格式。
软件杯 行人重识别(person reid) - 机器视觉 深度学习 opencv python
Mr.D学长
05-22 786
🔥 优质竞赛项目系列，今天要分享的是🚩深度学习行人重识别(person reid)系统该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：5分🧿在视频监控系统中，行人再识别任务的整体框架如下图所示：—个监控系统由多个视域不相交的监控摄像头组成，摄像机的位置可以随时更改，同时也可以随时增加或减少摄像机。不两监控摄像头所摄取的画面、视角等各不相同。在这样的监控系统中，对行人的动向监测是，至关重要的。
深度学习：手撕 RNN（2）-RNN 的常见模型架构
最新发布
三翼鸟数字化平台的技术实践分享
05-23 784
双向 RNN 和 DeepRNN 的原理，以及一些应用更加灵活和广泛的架构
GCANet去雾算法
2401_83923628的博客
05-22 723
GCANet(Gate-Controlled Attention Network)是一种用于图像去雾的深度学习算法，通过引入注意力机制来改进传统的去雾方法，提升去雾效果，增强图像的清晰度和可见性，并且能够在复杂的雾天场景中提供卓越的去雾效果。注意力模块利用这些权重来调整特征图，抑制不重要的信息，增强重要的特征。去雾效果好：相比传统的去雾方法和一些简单的深度学习模型，GCANet在处理复杂的雾天场景时表现更好。2.注意力计算：在特征提取过程中，门控注意力模块会计算每个特征图的注意力权重，生成门控注意力图。
基于python实现的深度学习web多格式纠错系统
liudefang的专栏
05-22 998
中国语言博大精深想说好和写好中国话是一门高深的学问需要人们用心去学习中文中文可以说是世界上最难学的语言之一不仅字体非常的复杂而且同音字特别的多稍有不慎就会写错在学生群体中会经常出现这种错误尤其是刚刚学习语文的小朋友以及初中生高中生包括很多的大学生。在一篇文章里面如果字写错了那么意思就全会变了尤其是写作文时如果错字了这是非常马虎的一种表现所以在我们的语文课中经常会有错别字的题就是为了防范这种情况的出现。但是如果一篇文章写好之后从头到尾的查一遍错别字是非常的耗费时间的。
卷积神经网络-奥特曼识别
m0_74315028的博客
05-21 774
卷积神经网络识别奥特曼
residual feature dis- tillation network for lightweight image super-resoluti
08-14
残差特征提取网络是一种轻量级图像超分辨率技术，它通过提取图像中的残差特征来实现图像的高分辨率重建。 该网络的关键思想是将低分辨率图像与其对应的高分辨率图像之间的差异作为特征来学习和恢复图像的细节信息。在训练过程中，网络首先将低分辨率图像输入到深度卷积神经网络中，提取出一系列特征图。然后，将这些特征图与预先生成的高分辨率图像之间的差异进行残差学习，得到残差特征图。最后，将低分辨率图像与残差特征图相加，得到最终的高分辨率重建图像。 相对于传统的超分辨率方法，该网络具有以下优点。首先，它采用了轻量级的网络结构，具有较低的模型复杂度和较快的推理速度，适用于移动设备等资源有限的场景。其次，通过残差学习，网络能够更好地恢复图像的细节信息，提升图像质量。此外，该网络在训练过程中还引入了特征蒸馏技术，能够更好地优化网络参数，并提高网络的鲁棒性和泛化能力。 总而言之，残差特征提取网络是一种轻量级图像超分辨率技术，通过提取低分辨率图像与高分辨率图像之间的差异来学习和恢复图像的细节信息。它具有模型简单、高效快速和图像质量提升等优点。

“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 6
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