【论文阅读】Image Super-Resolution Using Deep Convolutional Networks

最新推荐文章于 2023-08-15 23:04:00 发布
最新推荐文章于 2023-08-15 23:04:00 发布
阅读量174 收藏 1
点赞数
文章标签： 人工智能 python
原文链接：https://my.oschina.net/u/3183716/blog/3032556
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

摘要：

我们提出了一种用于单张图像超分辨率（SR）的深度学习方法。我们的方法在低分辨率和高分辨率图像上直接学习端到端的映射.这种映射被表示为一种深度卷积神经网络（DCNN），它将低分辨率图像作为输入并且把高分辨率图像作为输出。我们进一步表明，基于传统的稀疏编码的超分辨率方法可以被描述为一个深度卷积网络。但和传统的方法并不一样，传统的方法在处理每个模块是分离开的，我们的方法是同时优化多个层。我们的深度卷积神经网络是一个轻量级的结构，同时也证明了在当前情况下的重建质量，并且在线实践使用中可以达到很快的速度。我们尝试了不同的网络架构和设置参数，以达到性能和速度的一种平衡。另外，我们扩展了我们的网络并用来处理三个通道，同时显示出更好的整体重建质量。

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

索引术语：超分辨率，深度卷积神经网络，稀疏编码

介绍：

单张图像超分辨率是计算机视觉的一个经典问题，旨在从单张的低分辨率图像恢复成高分辨率图像。

 

 

 

 

 

 

转载于:https://my.oschina.net/u/3183716/blog/3032556

weixin_34121304
关注
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
畅游计算机视觉的海洋
03-11 1万+
我们提出了一种用于单幅图像超分辨率(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。该映射被表示为深度卷积神经网络(CNN)，它以低分辨率图像为输入，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 方法也可以被视为深度卷积网络。但是与单独处理每个组件的传统方法不同，我们的方法联合优化所有层。我们的深度 CNN 具有轻量级结构，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速度。我们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。此外，我们扩展了我们的
【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)
最新发布
畅游计算机视觉的海洋
03-14 9722
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
Image Super-Resolution Using Deep Convolutional Networks (SRCNN)
KevinZ5111的博客
12-19 4496
0.Abstract 作者提出一种深度学习的方法用于解决超分辨率问题(super-resolution, SR)，具体的是，使用CNN来拟合低分辨率图像和高分辨率图像的映射，这是一种端到端的方法；而且传统的基于稀疏编码的SR方法（the sparse-coding-based method）也是能被看作CNN的；重要是的，这个CNN是个轻量级模型，能在实际应用快速的同时，保证达到图像重建的当前先...
Image Super-Resolution Using Deep Convolutional Networks
AI小作坊 的博客
12-23 6639
Image Super-Resolution Using Deep Convolutional Networkscode: http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html本文使用一个三层的卷积网络来实现图像超分辨率，得到很好的效果。1 I NTRODUCTION 单帧图像的超分辨率，即由一幅低分辨率图像重建出一幅高分辨率图像。在计算机视觉中这是一个
【超分辨率SRCCN】Image Super-Resolution Using Deep Convolutional Networks
Jeremy_lf的博客
02-12 1053
论文 Image Super-Resolution Using Deep Convolutional Networks Background 单图像超分辨率（SR）[20]旨在从单个低分辨率图像中恢复高分辨率图像，这是计算机视觉中的经典问题。 因为对于任何给定的低分辨率像素都存在多种解决方案，所以固有地提出了这个问题。 换句话说，这是一个不确定的反问题，其解决方案不是唯一的。 通常通过强先验信息约束解决方案空间来缓解这种问题。 基于稀疏编码的方法是代表性的基于外部示例的SR方法之一。 该方法在其解决方案流程
【图像超分辨率】Image Super-Resolution Using Deep Convolutional Networks
qq_41807261的博客
11-26 2771
Image Super-Resolution Using Deep Convolutional NetworksAbstract1 Introduction2 Related work2.1 Image Super-Resolution2.2 Convolutional Neural Networks2.3 Convolutional Neural Networks for Super-Resolution#3 Convolutional Neural Networks3.1 Formulation3.1.
【深度学习】Image Super-Resolution Using Deep Convolutional Networks
无极阁
06-25 858
作者提出了一种深度学习图像超分辨率的方法，直接在高低分辨率图像之间学习一个端到端的映射。作者后续还证明了传统的sparse-coding-based超分方法也可以看做一个深度卷积神经网络，相对于这种方法，作者的方法联合优化所有层。作者的深度CNN有一个轻量级的结构，实现了SOTA效果并且速度更快。作者通过在不同的网络结构和参数设置中进行探索实现了性能与速度的平衡。另外，作者还拓展网络来同时处理三色通道，并且得到了更好的全局重建性能。
Image Super-Resolution Using Deep Convolutional Networks code
11-04
本篇文章将深入探讨一篇名为"Image Super-Resolution Using Deep Convolutional Networks code"的研究，该研究基于深度卷积网络实现了图像超分辨率技术。 一、深度卷积网络简介 深度卷积网络是深度学习中的一个...
Image Super-Resolution Using DeepConvolutional Networks论文阅读笔记
不要回答的博客
01-04 2259
rXiv:1501.00092v3 [cs.CV] 31 Jul 2015 题目：Image Super-Resolution Using DeepConvolutional Networks 摘要： 我们提出了一种用于单图像超分辨率（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。映射表示为深度卷积神经网络（CNN），该神经网络将低分辨率图像作为输入并输出高分辨率图像【这就是端到端】。我们进一步表明，传统的基于稀疏编码的SR方法也可以视为深度卷积网络。但是与传统方法分..
Image Super-Resolution Using Deep Convolutional Networks.pdf
12-05
在深入探讨卷积神经网络在图像超分辨率重建应用中的知识点之前，首先需要理解什么是图像超分辨率。图像超分辨率技术旨在从单个低分辨率图像中重建出高分辨率的图像。这是一个计算机视觉领域中经典的难题，因为对于...
SRCNN：Image Super-Resolution Using Deep Convolutional Networks
那些年踩过的“坑”
08-15 272
我们提出一个对于单图像超分的深度学习方法，端到端地学习高低分辨率图像，我们也可知道传统的稀疏编码也可以作为一个深度卷积网络。与传统的方法相对独立的组件相比，我们的方法是端到端，并且处理了图像的三个通道，并且在线使用实现了不错的速度。我们也尝试在速度和参数之间得到一个权衡。（二）Introduction：单图像的超分是一个欠定的逆问题，本身具有多解。以往的方法一般是基于示例的，即从现有的样本来去学习。基于稀疏编码的是一个较为典型的基于实例学习的例子。
论文阅读笔记（五十六）：Image Super-Resolution Using Deep Convolutional Networks
sunshine_010的博客
05-18 2655
Abstract—We propose a deep learning method for single image super-resolution (SR). Our method directly learns an end-to-end mapping between the low/high-resolution images. The mapping is represented a...
Image Super-Resolution Using Deep Convolutional Network （with demo）
家家的专栏
08-05 2227
Paper：  Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang, "Image Super-Resolution Using Deep Convolutional Networks", http://arxiv.org/abs/1501.0009  "For Creators", http://piapro.net/en_for_cr
SRCNN论文翻译（Image Super-Resolution Using Deep Convolutional Networks）
PPLLO_o的博客
05-09 8011
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。该映射表示为深度卷积神经网络（CNN），其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方法也可以被视为深度卷积网络。但与分别处理每个组件的传统方法不同，我们的方法共同优化所有层。我们的深层CNN具有轻质结构，同时展示了最先进的修复质量，并实现了实...
Very Deep Convolutional Networks For Large-Scale Image Recognition论文翻译总结
xjz18298268521的博客
08-31 2763
VGGnet 论文：《Very Deep Convolutional Networks For Large-Scale Image Recognition》 1.     概述 本文是牛津大学 visual geometry group（VGG）Karen Simonyan 和AndrewZisserman 于2014年撰写的论文，主要探讨了网络深度对于网络的重要性，建立了16-19
论文阅读笔记--VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
weixin_39953502的博客
06-25 389
这篇论文主要工作就是探索网络结构，对大规模图像识别任务，网络深度对于最终模型准确率的影响，带有小的卷积核（3*3）的网络，深度的增加会提高准确率，直到网络深度到达16-19层。根据这个论文的摘要，我想到两个关键点：为什么卷积核是3*3为什么到16-19层精度不再提高卷积核大小在这篇论文中，我最感兴趣的点在于，卷积核大小的设置。两个3*3的卷积层叠加，中间不加池化层，那么它的有效感受野（effect...
Image Super-Resolution Using Deep Convolutional Networks图像超分辨----SRCNN
BingY_998的博客
12-27 2549
Image Super-Resolution Using Deep Convolutional Networks 图像超分辨----SRCNN测试及训练 本文详细介绍了图像超分辨方法–SRCNN代码测试及训练 论文地址：https://ieeexplore.ieee.org/document/7115171?arnumber=7115171 代码地址：https://github.com/yjn870/srcnn-pytorch 1、SRCNN测试： （Window10系统下进行） （1）创建虚拟环境 （
【超分辨率】VDSR--Accurate Image Super-Resolution Using Very Deep Convolutional Networks
热门推荐
Shwan_ma的博客
10-10 1万+
论文链接：https://arxiv.org/abs/1511.04587 论文code: https://github.com/huangzehao/caffe-vdsr这篇文章受VGG的启发，通过stack filters来获得一个比较大的感受野。最大达到41x41的感受野，在形式上，其实更有点像ResNet。本文认为Dong的SRCNN虽然成功把CNN引入到SR中，但是依然受限于三个方面：1
DCGAN-based Image Restoration using Multi-scale Features这篇文献在哪引用
05-18
这篇文献可以在以下论文中找到引用： 1. Zhang, Y., Zhang, Y., & Tai, Y. (2018). Image restoration with very deep convolutional encoder-decoder networks with symmetric skip connections. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 586–594). 2. Huang, X., Li, Y., Poursaeed, O., Hopcroft, J., & Belongie, S. (2017). Stacked generative adversarial networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1866–1875). 3. Kim, J., Kwon Lee, J., & Mu Lee, K. (2016). Accurate image super-resolution using very deep convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1646–1654). 4. Ledig, C., Theis, L., Huszar, F., Caballero, J., Cunningham, A., Acosta, A., ... Shi, W. (2017). Photo-realistic single image super-resolution using a generative adversarial network. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4681–4690). 5. Mao, X., Shen, C., & Yang, Y.-B. (2016). Image restoration using very deep convolutional encoder-decoder networks with symmetric skip connections. In Advances in neural information processing systems (pp. 2802–2810).
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