LapSRN的Loss: Carbonnier Loss

最新推荐文章于 2024-07-10 15:08:52 发布
最新推荐文章于 2024-07-10 15:08:52 发布
阅读量5.6k 收藏 9
点赞数 1
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/weixin_38203533/article/details/80759246
版权
本文探讨了L2范数在图像超分辨率中的局限性，并引入了一种名为Charbonnier Loss的新型损失函数，以解决过度平滑问题并提高抗噪能力。LapSRN利用此损失函数在不同尺度上进行训练，生成多尺度输出图像，提升超分辨率效果。代码实现细节未给出。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文认为相同的LR补丁可能有多种相应的HR补丁,而L2范数并不能捕捉潜在的综合HR补丁,L2范数重建出的图像往往过平滑。本文提出了一种抗噪性强的损失函数:

让x输入LR形象和θ的设置网络参数进行优化。目标是学习一个映射函数用于生成高分辨率图像ˆy = f(x;θ)贴近grounth truth图像y。x表示LR图像，y表示HR图像，r表示残差，用rs表示s级残差图像，s表示对应的level，也就是scale，用xs表示放大后的LR图像，用ys表示相应的HR图像。在s级的期望输出HR图像由ys = xs + rs建模。该loss函数并非如传统L2 loss函数，N是每个batch中的图片数量，L为金字

最低0.47元/天 解锁文章
Rainyliuliu
关注
使用restormer网络做2022年中兴捧月图像去噪
weixin_44875593的博客
05-31 1987
使用restormer网络做2022年中兴捧月图像去噪
图像超分辨率loss以及评估标准的代码实现
weixin_38203533的博客
06-20 8430
图像超分辨率网络lossMSE:MSE表示当前图像X和参考图像Y的均方误差（MeanSquare Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. 代码实现：mse = tf.reduced_mean(tf.squared_difference(target,output))L1 loss:L2 loss:loss= tf.reduce_sum(tf...
(LapSRN)CVPR-2017：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
M_Y_Y_的博客
09-02 918
用于快速准确超分辨率的深度拉普拉斯金字塔网络。 一、摘要 （1）提出了拉普拉斯金字塔超分辨率网络（LapSRN）来逐步重建高分辨率图像的子频带残差。 （2）在每个金字塔级别，将粗糙的分辨率特征映射作为输入，预测高频残差，并使用转置卷积进行上采样到精细级别。 （3）不需要双三次插值作为预处理，降低了计算复杂度。 （4）使用稳健的Charbonnier损失函数对LapSRN进行训练。 二、之前的技术存在的问题 现有技术主要存在以下几个问题： （1）使用双三次插值进行预处理，增加了计算成本，并且通
Charbonnier Loss
Drug discovery
10-20 2万+
最近在做一些图像生成的相关任务，看到了有些论文用Charbonnier Loss来近似损失来提高模型的性能，这里就对论文中提到的Charbonnier Loss做一个梳理。 Charbonnier Loss的表达式如下所示： 首先参考以下这篇超分辨领域的论文《Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Networks》： http://xxx.itp.ac.cn/pdf/1710.01992​x..
图像降噪的一些总结
qq_26499769的博客
01-05 1万+
图像降噪，是最简单也是最基础的图像处理逆问题（inverse problem）。大多数情况下，图像降噪都是ill-posed的问题。因为通过有噪音的观察，总是无法逆向求得唯一正确的干净图片。就好像让你解一个超越方程一样，不借助其他额外的条件信息，是没有唯一解的。降噪问题（这里只讨论additive noise），用最简单的数学语言一句话就可以描述清楚： y = x + e y是你观察到的带噪音的图...
【超分综述】
weixin_43690932的博客
01-13 2381
仅供自己参考
【计算机视觉】递归神经网络在图像超分的应用Deep Recursive Residual Network for Image Super Resolution
weixin_43693967的博客
08-23 1072
这篇文章是第一次将之前已有的递归神经网络(Recursive Neural Network)结构应用在图像超分辨率上。为了增加网络的感受野，提高网络性能，引入了深度递归神经网络，递归模块权重共享减少了模型所需参数量，但出现了梯度爆炸/消失问题，又研究出了递归监督和跳跃连接两个扩展办法。递归监督：把每次递归后的特征映射都用于重建目标高分辨率图像HR。由于每次递归都会导致不同的HR预测，因此作者将不同级别的递归产生的所有预测结合起来，以提供更准确的最终预测。每次递归的预测都受到GT监督。
Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
玥晓珖的博客
07-27 6306
转载请附上原文链接，谢谢 0 abstract： 最近卷积神经网络经常被用到对单图像超分辨率的高质量重建中。在这篇论文中，我们提出了Laplacian金字塔超分辨率网络（LapSRN）来逐步重构高分辨率图像的子频带残差（sub-band residuals）。在每个金字塔的层，我们将粗分辨率特征图作为输入，预测高频残差（high-frequency residuals），并使用反卷积（tran...
深度学习——常见损失函数Loss：L1 ，L2 ，MSE ，Binary Cross ，Categorical Cross ，Charbonnier ，Weighted TV ，PSNR
热门推荐
qq_40280673的博客
11-08 2万+
在深度学习中，损失函数是一个核心组件，它度量模型的预测结果与真实值之间的差异。通过最小化损失函数的值，模型能够在训练过程中逐渐改善其性能。损失函数为神经网络提供了一个明确的优化目标，是连接数据和模型性能的重要桥梁。
什么是鲁棒损失函数?
最新发布
...
07-10 1302
鲁棒损失函数（Robust Loss Function）是在机器学习和统计模型中用于评估预测与实际观测之间差异的函数，它们的设计目的是。传统损失函数，如均方误差（MSE）或平方损失，在存在异常值时容易使模型性能下降，而鲁棒损失函数通过降低异常值的影响力来提高模型的稳定性和泛化能力。
LapSRN代码（Matlab）
09-03
文章全名： Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution 2017 CVPR图像超分辨算法代码
文献精读（第二十六篇）——深度拉普拉斯金子塔网络实现快速准确的超分辨率（LapSRN）
weixin_37799689的博客
06-08 1487
一、文献梳理 1、背景 传统方法的问题： 双三次插值预处理增大计算量，同时导致图像出现伪影（常规流程：下采样缩小图像-还原图像大小-超分辨率重构） L2 loss函数会产生模糊的预测 高分辨重建时都基于一个上采样完成，增加了大尺度因子的困难，不能在多个分辨率下生成中间的SR预测 2、研究成果 1）意义 提出一种拉普拉斯金子塔网络结构，每一级金子塔结构以粗糙分辨的图作为输入（低分辨输入，很多方法是利用放大后的图像作为输入），用反卷积进行上采样得到更精细的特征图 利用Charbonnier lo
LapSRN阅读笔记
xiuluoLK的博客
03-01 1088
这是一篇2017年的SR文章。 零、摘要 拉普拉斯金字塔SR网络（LapSRN）可以逐步重建高分辨率图像的子带残差（？）。在每个金字塔等级，我们的模型将粗分辨率特征图作为输入，预测高频残差，并使用反卷积进行上采样。不用双三次插值预处理，大大减少计算复杂性。采用了最新的Charbonnier代价函数来进行深度监督，并且去的了很好的效果。并且本网络最后在一次前馈中便生成了多尺度的预测，也就促进了对...
最强损失函数分析：一般自适应鲁棒损失函数
limingmin2020的博客
04-08 2184
本文提出广义损失函数可以将鲁棒性参数作为一个训练中的自由变量，进而可以直接使用优化器进行优化，而无需人工调参，并进行了多个具体实验。该论文对广义损失函数的讲解细致，一步步的推导十分精妙，非常推荐阅读，希望各位开发者也能体会到其巧妙地数学美感。
罚函数（penalty function）的设计
11-14 9043
1. encourage sparsity ℓ0\ell_0 范数： non-differentiable and difficult to optimize in general ℓ1\ell_1 范数： 对数约束，log(1+∥x∥2)\log(1+\|x\|^2)
图像超分辨率近两年几篇优秀论文及代码
qq_26499769的博客
07-19 1万+
最近看了很多图像超分辨率方面的文章，所以做一个总结，希望对大家有所帮助。所列出的文章都是很好的文章，其中包括一些顶级会议：CVPR,ICCV,ECCV等。其中有代码的我会给网址，还有的代码不公布。最后会做一个经验总结，还有关于深度学习框架的选择，给新手一些建议。           SRCNN Image Super-Resolution Using Deep Convolutional ...
nn.DataParallel使用注意
Njhbsj的博客
03-14 962
nn.DataParallel 如果默认不是序号0的话需要添加 os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ["CUDA_VISIBLE_DEVICES"] = "2, 3" device_ids = [0, 1] model = torch.nn.DataParallel(net, device_ids=device_ids) model.cuda() 优化器同样可以 optimizer = torch.optim.SGD(ne
【超分辨率】Laplacian Pyramid Networks（LapSRN）
Shwan_ma的博客
12-02 1万+
期刊论文： https://arxiv.org/abs/1710.01992 会议论文CVPR2017： http://vllab.ucmerced.edu/wlai24/LapSRN/papers/cvpr17_LapSRN.pdf 项目主页：http://vllab.ucmerced.edu/wlai24/LapSRN/看了眼作者，Jia-Bin Huang是传统算法领域（呃，自从深度学
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