【论文阅读】Learning a Deep Convolutional Network for Image Super-Resolution

最新推荐文章于 2024-07-26 09:00:22 发布
最新推荐文章于 2024-07-26 09:00:22 发布
阅读量543 收藏
点赞数
文章标签： python 人工智能 matlab
原文链接：https://my.oschina.net/u/3183716/blog/3033209
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

题目：学习深度卷积神经网络实现图像超分辨率                     ECCV    2014   收录

摘要：

我们提出了一种单张图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深卷积神经网络(CNN)[15]，它以低分辨率图像为输入输出高分辨率图像。我们进一步证明了传统的稀疏编码SR方法也可以看作是一个深度卷积网络。但不同于传统的方法去单独处理每个组件，我们的方法联合优化所有层。我们的深度CNN是一个轻量级的架构，展示了最先进的修复质量，并实现了快速的在线应用。

-----------------------------------------

代码地址：https://github.com/tegg89/SRCNN-Tensorflow                   基于TensorFlow

其他地址：http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html            基于matlab和caffe

-----------------------------------------

优点：网络结构十分简单，仅仅用了三个卷积层，框架在选择参数时很灵活，可以采用四层或更多层，更大的过滤尺寸来进一步提高性能。

缺点：SRCNN针对的是单个尺度因子进行训练，如果需要新的规模，则必须对新模型进行训练。特征提取只用了一层卷积层，存在着感受野较小的问题，提取出来的特征是非常局部的特征，细节无法恢复出来。

-----------------------------------------

 

 

转载于:https://my.oschina.net/u/3183716/blog/3033209

weixin_34023982
关注
srcnn （Learning a Deep Convolutional Networkfor Image Super-Resolution）论文阅读笔记
qq_40107571的博客
06-09 449
SRCNN论文阅读笔记
【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)
畅游计算机视觉的海洋
03-14 9780
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，灵感来自用于 ImageNet 分类的 VGG-net [19]。我们发现增加我们的网络深度可以显着提高准确性。我们的最终模型使用 20 个权重层。通过在深度网络结构中多次级联小过滤器，以有效的方式利用大图像区域的上下文信息。然而，随着非常深的网络，收敛速度成为训练期间的关键问题。我们提出了一个简单而有效的训练过程。我们只学习残差，并使用可调梯度裁剪实现的极高学习率（比 SRCNN [6] 高 104 倍）。我们提出的方
Learning a Deep Convolutional Network for Image Super-Resolution
03-04
Learning a Deep Convolutional Network for Image Super-Resolution
(SRCNN)Learning a Deep Convolutional Network for Image Super-Resolution
M_Y_Y_的博客
07-10 1172
提出了一种用于单幅图像超分辨率的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深度卷积神经网络(CNN)[15]，以低分辨率图像作为输入输出高分辨率图像。我们进一步证明了传统的基于稀疏编码的SR方法也可以被视为一个深度卷积网络。 ...
SRCNN论文精读
最新发布
m0_65590944的博客
07-26 1862
摘要：我们提出了一种单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为以低分辨率图像为输入，高分辨率图像为输出的深层卷积神经网络(CNN)[15]。我们进一步表明，传统的基于稀疏编码的SR方法也可以被视为一个深层卷积网络。但与单独处理每个部分的传统方法不同，我们的方法联合优化了所有层。我们的深层CNN具有轻量级的结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速度。
Learning a Deep Convolutional Network for Image Super-Resolution 超分辨开山之作
CSS360的博客
10-20 613
摘要 我们提出了一种单图像超分辨率（SR）的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。映射表示为深卷积神经网络（CNN），该网络将低分辨率图像作为输入，并输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的SR方法也可以看作是一个深卷积网络。但与分别处理每个组件的传统方法不同，我们的方法联合优化了所有层。我们的deep CNN具有轻量级结构，同时展示了最先进的恢复质量，并实现了快速实用的在线使用。 总的来说，这项工作的贡献主要体现在三个方面： 1.我们提出了一种用于图像超分辨率的
Learning a Deep Convolutional Network for Image Super-Resolution—Chao Dong_ECCV2014
sxs11的博客
12-14 1831
这篇文章是第一次将神经网络应用到超分之中，一共三层。框架图如下： 第一层，size 为  c * f1 * f1 * n1.   第二层，size 为 n1 * 1 * 1 * n2. 第三层，size 为 n2 * f3 * f3 * c c为image channel数量。 W 是filter , B 是bias. 损失函数为：
Learning a Deep Convolutional Network for Image Super-Resolution(泛读)
小胜爱捣鼓
10-16 5542
一.文献名字和作者     Learning a Deep Convolutional Network for Image Super-Resolution， ECCV2014     二.阅读时间     2014年10月16日 三.文献的贡献点     作者提出了使用CNN来进行图像超分辨率重构，作者分析了超分辨率的主要过程，通过数学表示证明了超分辨
深度学习超分辨率：Learning a Deep Convolutional Network for Image Super-Resolution论文解析与Pytorch...
"这篇资源是关于'Learning a Deep Convolutional Network for Image Super-Resolution'论文的分析和PyTorch代码实现。论文探讨了如何利用深度卷积网络进行图像超分辨率重建，特别是针对单张低分辨率图像的Super-...
论文学习 ：Learning a Deep Convolutional Network for Image Super-Resolution 2014
weixin_30648587的博客
05-15 1853
　　 (Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014) 摘要：我们提出了一种单图像超分辨率的深度学习方法(SR)。我们的方法直接学习在低/高分辨率图像之间的端到端映射。这个映射表现为通过一个深度的卷积神经网络CNN，把低分辨率的图像作为输入，输出高分辨率图像。我们进一步证明了...
Learning a Deep Convolutional Network for Image Super-Resolution论文分析与pytorch代码
TonyHsuM的博客
02-18 1102
Learning a Deep Convolutional Network for Image Super-Resolution论文地址简介模型图模型框架算法流程Patch extraction and representationnon-linear mapping 非线性映射Reconstruction训练测试实验结果Pytorch代码实现使用说明文件存放运行代码model.pydata.py...
论文研读——Deep Networks for Image Super-Resolution with Sparse Prior
qq_43581644的博客
03-30 847
论文研讨 #题目：Deep Networks for Image Super-Resolution with Sparse Prior ——Zhaowen Wang， Ding Liu， Jianchao Yang Wei Han† Thomas Huang，Beckman Institute, University of Illinois at Urbana-Champaign, Urbana, IL Adobe Research, San Jose, CA Snapchat, Venice, CA A
(SRCNN)及pytorch实现_Learning a Deep Convolutional Network for Image Super-Resolution——超分辨率（二)
热门推荐
xu_fu_yong的专栏
07-18 1万+
文章目录Learning a Deep Convolutional Network for Image Super-Resolution算法简介算法流程Patch extraction and representationNon-linear mapping 非线性映射Reconstruction训练测试实验结果 Learning a Deep Convolutional Network for ...
code epi 光场_遮挡场景的光场图像深度估计方法
weixin_35942339的博客
12-29 1521
0 引言光场相机[是一种新型的多目视觉相机, 巧妙地结合了计算光学理论、计算成像技术及数字图像处理技术等.微透镜式光场相机在主透镜和图像传感器之间放置了微透镜阵列, 所以单次曝光可以记录3维场景的位置、角度等四维光场信息.由于光场相机具有“先拍摄, 后对焦”的特点, 通过对光场相机获取的光场数据进行分析处理, 可以获得场景的深度信息, 进而在目标识别[、显著性检测[、超分辨率重建[以及三维表面重...
论文阅读：Deep Learning based Recommender System A Survey and New Perspectives
三金samkam的博客
03-13 314
论文名字 Deep Learning based Recommender System A Survey and New Perspectives 来源 期刊 ACM Computing Surveys 年份 2017-2019 （现在version 7） 作者 SHUAI ZHANG, LINA YAO, AIXIN SUN, YI TAY ...
【ICCV2021】文章、代码和数据链接
qq_36717487的博客
04-16 1813
Awesome-ICCV2021-Low-Level-Vision A Collection of Papers and Codes for ICCV2021 Low Level Vision and Image Generation 整理汇总下2021年ICCV中图像生成（Image Generation）和底层视觉(Low-Level Vision)任务相关的论文和代码，包括图像生成，图像编辑，图像风格迁移，图像翻译，图像修复，图像超分及其他底层视觉任务。大家如果觉得有帮助，欢迎star~~ 参考或转载
【图像超分辨率】Learning a Deep Convolutional Network for Image Super-Resolution
qq_41807261的博客
11-09 1960
Learning a Deep Convolutional Network for Image Super-ResolutionAbstract1 Introduction2 Related WorkImage Super-ResolutionConvolutional Neural NetworksDeep Learning for Image Restoration3 Convolutional Neural Networks for Super-Resolution3.1 FormulationPat
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