esrgan_ESRGAN(ECCV2018) 阅读笔记

最新推荐文章于 2023-07-10 07:00:00 发布
最新推荐文章于 2023-07-10 07:00:00 发布
阅读量683 收藏 2
点赞数 1
文章标签： esrgan
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_39959369/article/details/111649534
版权
ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks（ECCV2018）Paper：ECCV 2018 workshops Open Access Repository​openaccess.thecvf.comCode:https://github.com/xinntao/ESRGAN​github.com作者信息：E...
摘要由CSDN通过智能技术生成

b8e0b4ac759779f8c684697080348c55.png

ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks（ECCV2018）

Paper：

ECCV 2018 workshops Open Access Repository​openaccess.thecvf.com

Code:

https://github.com/xinntao/ESRGAN​github.com

作者信息：

99165e19d54bb1a57675e09fba727873.png

ESRGAN任务是超分，是ECCV18年的文章，曾在PIRM2018超分竞赛获得第一名，感觉挺适合初入超分的同学看看调调的，模型是在SRGAN基础上进行的改进；而SRGAN(CVPR17)是最早用GAN来做超分的文章，其2个特色分别是：

（1）生成器使用残差块。使用残差结构主要是由于设计的网络比较深，为了保证梯度信息的有效传播，增强网络稳定性。

（2）相较同行较早使用perceptual lo

最低0.47元/天 解锁文章
weixin_39959369
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【图像超分】论文精读：Perceptual Extreme Super Resolution Network with Receptive Field Block（RFB-ESRGAN）
畅游计算机视觉的海洋
05-02 612
单幅图像的感知极端超分辨率非常困难，因为不同图像的纹理细节差异很大。为了解决这个困难，我们开发了一个基于增强SRGAN的接收域块的超分辨率网络。我们称我们的网络为RFB-ESRGAN。主要贡献如下。首先，为了提取多尺度信息并增强特征可辨别性，我们将感受野块 (RFB) 应用于超分辨率。RFB在目标检测和分类方面取得了有竞争力的结果。其次，RFB 没有使用大规模感受野块中的大卷积核，而是使用了几个小内核，这使我们能够提取详细的特征并降低计算复杂度。第三，我们在上采样阶段交替使用不同的上采样方法来降低较高的计算
京东的java笔试题-part_bilinear_reid:ECCV2018论文代码：Part-AlignedBilinearRepresen
06-13
(ECCV) 会议录，2018 年。() @InProceedings{suh_eccv18, author = {Yumin Suh and Jingdong Wang and Siyu Tang and Tao Mei and Kyoung Mu Lee}, title = {Part-Aligned Bilinear Representations for Person Re-...
论文笔记——ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
TracelessLe的专栏
01-28 5394
基本信息 标题：ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks 简称：ESRGAN 时间：2018年初版，1 Sep 2018, ECCV2018 PIRM Workshop 作者：Xintao Wang, Ke Yu, Shixiang Wu, Jinjin Gu, Yihao Liu, Chao Dong, Chen Change Loy, Yu Qiao, Xiaoou Tang； CUHK-SenseTime Jo
ECCV18研讨会-增强型SRGAN。 PIRM感知超高分辨率挑战赛冠军（第三地区）-Python开发
05-25
ESRGAN（增强型SRGAN）[BasicSR] [EDVR] [DNI]我们已经将ESRGAN的训练代码合并到了MMSR中。MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 它是开放式ESRGAN（增强型SRGAN）[BasicSR] [EDVR] [DNI]的一部分，我们已将ESRGAN的培训代码合并到MMSR中。MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 我们简化了网络结构文件。 您可以使用脚本transer_RRDB_models.py;转换先前保存的模型（* .pth）； 如果要使用o
GANs的优化函数与完整损失函数计算
deephub
09-07 4044
生成对抗网络(Generative Adversarial Networks)是一种深度学习框架，它被设计为生成模型，目的是生成新的复杂数据(输出)。为了训练GAN，只需要一组想要模仿的数据(图像、音频、甚至是表格数据……)，网络会找出方法来创建看起来像我们提供的数据集示例的新数据。换句话说，我们给模型一些示例数据作为“获得灵感”的输入，并让它完全自由地生成新的输出因为我们只向网络输入X信息，而不给它们添加任何标签(或期望的输出)，所以这种训练过程是无监督学习。
《小V读研笔记》#ESRGAN 论文详解
m0_67853978的博客
04-05 508
提出的 RRDB 具有残差中残差的结构，主干部分由三个残差密集块组成，残差密集块相当于将残差块与密集块相结合。因此，本文深入研究了 SRGAN 的三个关键组成部分——网络架构、对抗损失和感知损失，并对它们进行了改进，从而得到了一种增强型 SRGAN (ESRGAN)。生成器的对抗损失包含 xr 和 xf。由于 ESRGAN 的生成网络具有更深、更复杂的结构，因此本文通过残差缩放和较小的初始化来促进网络的训练。在将残差添加到主干部分之前，通过乘以 0 和 1 之间的常数来缩小残差，有利于增强网络的稳定性。
【Super Resolution】超分辨率——ESRGAN
PRIS-SCMonkey的博客
09-09 5453
1、ESRGAN的简单了解2、ESRGAN的网络结构3、ESRGAN中的判别器 在上一篇文章【Super Resolution】超分辨率——SRGAN中，我们详细的介绍了SRGAN，那么是否SRGAN可以再进行改进呢？这就是ESRGAN，这篇论文主要探讨的问题就是如何在SRGAN上做改进，是网络在超分问题上有更好的表现。这篇论文在PIRM 2018-SR Challenge1中拿了第一名，然后论...
万字长文解读图像超分辨率 Real-ESRGAN 论文笔记+代码阅读
最新发布
xian0710830114的专栏
07-10 1万+
深度学习超分模型有几个里程碑：SRCNN > SRGAN > ESRGAN > Real-ESRGAN，SRCNN 和SRGAN 有些古老了，现在基本用不上，Real-ESRGAN是在ESRGAN的基础上做的升级，于是我们主要介绍Real-ESRGAN，用ESRGAN作为补充。
Yao_Feng_Joint_3D_Face_ECCV_2018_paper_CVPR2018_
10-04
《Yao_Feng_Joint_3D_Face_ECCV_2018_paper》是2018年ECCV（欧洲计算机视觉国际会议）上发表的一篇关于3D人脸识别与模型重建的重要论文，其相关研究对于人脸识别技术和3D人脸建模领域具有深远的影响。该论文的研究...
Justin_Liang_End-to-End_Deep_Structured_ECCV_2018_paper.zip
10-02
《Justin_Liang_End-to-End_Deep_Structured_ECCV_2018_paper》这篇论文是2018年欧洲计算机视觉会议(ECCV)上发表的一篇研究，作者为Justin Liang。该论文主要探讨了深度学习在端到端（End-to-End）结构化预测中的...
Justin_Liang_End-to-End_Deep_Structured_ECCV_2018_paper.pdf
05-20
Justin_Liang_End-to-End_Deep_Structured_ECCV_2018_paper
ECCV2018论文集-277篇
10-14
ECCV2018（欧洲计算机视觉大会）是一个国际性的学术会议，专注于计算机视觉领域的最新研究和发展。这篇描述提到的资源是ECCV2018论文集的一部分，包含了277篇精选的学术论文。尽管原计划有777篇论文，但由于上传限制...
ESRGAN论文阅读笔记
weixin_43840215的博客
05-03 2722
“ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks”发表于ECCV 2018 workshop，是对The Super-Resolution Generative Adversarial Network (SRGAN)的改进工作，并在PIRM2018-SR挑战赛在region 3区域获得第一名并获得最好的percep...
SRGAN论文与ESRGAN论文总结
敲困难的代码猿的博客
10-15 5831
SRGAN和ESRGAN论文总结
tf.keras实现ESRGAN相对平均判别器RaGAN损失
RSstudent的博客
10-14 1539
tf.keras实现ESRGAN相对平均判别器RaGAN损失
基于注意力机制超分辨率汇总
02-21 2723
1、Channel Attention and Multi-level Features Fusion for Single Image Super-Resolution ,2018 [arXiv]https://arxiv.org/pdf/1810.06935v1.pdf 人工智能图像超分辨率单图像超分辨率的通道注意和多级特征融合方法http://www.sohu.com/a/260019811_100177858 Channel Attention and Multi-level Featu...
ESRGAN（ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks）超分辨网络
weixin_46515047的博客
12-22 9760
Contents1 Introduction2 Related Work3 Proposed Methods3.1 Network Architecture3.2 Relativistic Discriminator3.3 Perceptual Loss3.4 Network Interpolation4 Experiments4.1 Training Details4.2 Qualitative Results4.3 Ablation Study4.4 Network Interpolation4.5
图像增强论文Range Scaling Global U-Net for Perceptual Image Enhancement on Mobile Devices阅读笔记
import_torch_as_tf
06-02 2297
论文介绍：这是ECCV-PIRM2018（Perceptual Image Enhancement on Smartphones Challenge）挑战赛中，图像增强任务第一名的论文，主要用于处理手机等小型移动设备上的图像增强。现有的图像增强方法在亮度、颜色、对比度、细节、噪声抑制等方面对低质量图像进行了改进，但由于移动设备处理速度慢、内存消耗大，很少能解决感知图像增强的问题，已有的一些方法也很难直接迁移到手机上使用。移动设备上的感知图像增强，尤其是智能手机，最近引起了越来越多的工业界和学术圈兴趣，因此本
ESRGAN
lk137095576的博客
05-13 1355
ESRGAN论文阅读笔记 《ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks》
out_img_eccv16 = postprocess_tens(tens_l_orig, colorizer_eccv16(tens_l_rs).cpu())
05-01
这行代码是将经过ECCV16模型上色后的图像进行后处理，并将其转换为CPU上的张量。具体来说，它调用了`postprocess_tens`函数和`colorizer_eccv16`函数，并将它们的输出作为参数传递给`cpu()`函数，以将它们转换为CPU...

“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
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