超分辨论文笔记
文章平均质量分 91
记录自己看过的深度学习在超分辨领域的论文并做了一些笔记,其中文章来源以CVPR、ECCV等CV顶会为主。
HaoTianYan
CVer, Super Resolution.
展开
-
【论文笔记4_超分辨】(RCAN)Image Super-Resolution Using Very Deep Residual Channel Attention Networks
文章目录Abstract1 Introduction2 Proposed Method2.1 Network Architecture2.2 Residual in Residual (RIR)2.3 Channel Attention (CA)2.4 Residual Channel Attention Block (RCAB)5 Experiment文章链接:(ECCV 2018)https://arxiv.org/abs/1807.02758代码链接:https://github.com/y..原创 2020-10-21 21:02:28 · 4057 阅读 · 0 评论 -
【论文笔记3_超分辨】(DRN)Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution
文章目录Abstract1. Introduction文章链接:(CVPR 2020)https://arxiv.org/abs/2003.07018代码链接:https://github.com/guoyongcs/DRNAbstract深度神经网络通过学习LR到HR的非线性映射,在图像超分辨(SR)方面显示出了良好的性能。然而,现有的SR方法有两个潜在的局限性。首先,学习从LR图像到HR图像的映射函数是一个典型的病态问题,因为存在着无限多个HR图像可以被下采样到同一个LR图像,存在无数多原创 2020-10-14 15:54:19 · 2167 阅读 · 25 评论 -
【论文笔记2_超分辨】(IDN)Fast and Accurate Single Image Super-Resolution via Information Distillation Network
文章目录Abstract1. Introduction2. Network Structure2.1 特征提取块(FBlock)2.2 信息蒸馏块(DBlocks)2.2.1 增强单元(Enhancement unit)2.2.2 压缩单元(Compression unit)2.2 重建块(RBlock)3. Experiments文章链接:(CVPR 2018)https://arxiv.org/abs/1909.11856v1代码链接:https://github.com/Zheng222/IDN原创 2020-09-16 23:08:03 · 1888 阅读 · 2 评论 -
【论文笔记1_超分辨】(RDN)Residual Dense Network for Image Super-Resolution
文章目录Abstract1. IntroductionAbstract深层CNN拥有提取多层次特征的能力,最近在图像超分辨(SR)领域取得了不错的进展。然而,大多数基于CNN的SR模型不能很好地利用这些来自LR的各级特征,导致相对较低的性能。在本篇文章里,我们提出了一种全新的残差密集网络(Residual Dense Network,RDN)以解决图像SR中的这一问题。RDN能够充分利用所有卷积层中的各个层次信息。我们提出的残差密集块(Residual Dense Block,RDB)通过将卷积层原创 2020-09-15 15:41:21 · 2789 阅读 · 0 评论