[图像超分]--FC2N：Fully Channel-Concatenated Network for Single Image Super-Resolution

最新推荐文章于 2024-05-11 14:27:40 发布
最新推荐文章于 2024-05-11 14:27:40 发布
阅读量880 收藏 2
点赞数
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_42096202/article/details/103457620
版权

在这里插入图片描述

创新点：

在这里插入图片描述
目前SOTA单帧图像超分方法如RCAN、EDSR的basic block为上图c的结构， 即为resnet的残差模块去除掉BN层，本文提出的结构为上图的f结构，使用加权concat替换残差部分，即element-wise相加的结构。
在这里插入图片描述
本文网络主体如图，主要由n个CG模块组成，最后是一个CG模块加权concat。每个CG模块里面包含了m个上面介绍的basic block。

实验结果：

1.消融实验分析：
在这里插入图片描述
2.同SOTA方法对比：
在这里插入图片描述
备注：代码复现很简单，亲测了一下这个方法，感觉提升不多，相比来说计算量是减少了，但是参数量增加了很多！

chenzy_hust
关注
重建图像 matlab_图像超分：RealSR
weixin_35039018的博客
01-09 538
paper ​csjcai.github.iocsjcai/RealSR​github.com 现有大多SISR方法是在模拟数据集(LR通过对HR执行简单的双三次下采样得到)上进行训练与评估。然而，真实世界的LR图像往往更复杂，因此在模拟数据集上训练的模型应用到真实数据是性能会出现下降。 作者构建了一个真实超分数据集(LR-HR通过调整数码相机的焦距得到，然后采用图像配准算法进行不同分辨率图像的...
【图像超分辨率】Unpaired Image Super-Resolution using Pseudo-Supervision 阅读笔记 #blind SR
weixin_43514766的博客
04-24 2411
发表在CVPR2020。 Abstract 在大多数基于学习的图像超分辨率（SR）研究中，成对的训练数据集（LR-HR）是用预定操作（例如双三次插值）将高分辨率（HR）图像按比例缩小而创建的。 但是，这些方法无法处理现实世界中的低分辨率（LR）图像，因为这些图像的降质过程更加复杂且未知。（不像bicubic那么简单） 本文提出了一种使用生成对抗网络的unpaired SR方法，该方法不需要成对的训练数据集。 网络由unpaired kernel/noise correction network和pseud
SRCNN图像超分CNN
01-23
CNN用于图像超分辨率的开山之作，代码是基于Caffe写的，可方便用在图像超分应用中
超分辨率——FC2N: Fully Channel-Concatenated Network for Single Image Super-Resolution
qq_29257201的博客
07-31 1364
2019 中国电子科技大学 作者针对于 目前很多超分辨率文章，通过增大模型的深度或者宽度（利用残差模块），提高模型性能，作者认为，即使这样，residual block的短链接限制了模型的表达能力，因此作者提出了FC2NFC^2NFC2N模型，这个模型利用 short skip 和 global skip，另外，feature map 融合通过cat，而reidual net 是通过add。...
图像超分辨技术（Image Super Resolution）
henryzhihua
06-04 1万+
图像超分辨
ljs_a的博客
05-25 3488
原博客地址：https://blog.csdn.net/u011630458/article/details/65635155 简介 　　这段时间在看基于字典的单帧图像超分辨率重建，本篇主要是对这块做个笔记记录。 基本原理 预处理 1、准备好用于字典训练的低分辨率图像LR及与...
join-text:将两个文本合并成列
05-19
joinText ( 'left side text.\nthis text will be' , 'concatenated with\nthe right text.' , { paddingRight : 2 } ) ; //=> Result: left side text . concatenated with this text will be the right text . ...
Swin-Unet: Unet-like Pure Transformer forMedical Image Segmentation 医疗图像分割阅读笔记
weixin_43656644的博客
03-22 7577
原文地址：https://arxiv.org/pdf/2105.05537.pdf 收录：CVPR 2021 代码:https://github.com/Beckschen/TransUNet 首篇将transformers用于医疗分割的文章 设计的Idea：UNet +transformers的结合体，使用的具体模块:ViT+ResNet50+skip connection 对关键的公式，和结构图进行了个人的一些注释，供大家参考。 目录 摘要 1 Introduction 2 ...
ABCNN: Attention-Based Convolutional Neural Network for Modeling Sentence Pairs
qq_27009517的博客
10-29 885
文章目录Abstract Abstract How to model a pair of sentences is a critical issue in many NLP tasks such as answer selection (AS), paraphrase identification (PI) and textual entailment (TE). Most prior work ...
图像超分算法
m0_54741987的博客
06-17 488
3. 基于学习的算法：最近的发展是使用深度学习算法实现图像超分。与其他方法相比，基于学习的算法可以在更复杂的图像中产生更好的结果，但其训练成本更高。图像超分算法旨在将低分辨率（LR）图像转换为高分辨率（HR）图像，例如将480p分辨率的视频转换为1080p分辨率的视频。常见的图像超分算法包括插值法、基于统计的算法和基于学习的算法。2. 基于统计的算法：改进的方法是基于统计的算法，如最小二乘重建和基于学习的映射算法。1. 插值法：最简单的图像超分方法是插值法，它将LR图像中的像素值直接插值到HR图像中。
AwesomeAI之图像超分（1）——RDN
weixin_38052918的博客
08-14 787
原论文：Residual Dense Network for Image Super-Resolution 数据集 DIV2K DIV2K中共有1000张2K分辨率图像。其中，训练用图像800张，验证用图像100张，测试用图像100张。 如何从HR(High Resolution，高分辨率)得到LR(Low Resolution，低分辨率)图像？训练输入LR的图片使用该2k图片通过下面3种处理得到： BI方式：主要通过Bicubic下采样得到，缩小比例为x2，x3，x4； BD方式：先对原始图片做（7*7
图像超分——Real-ESRGAN快速上手
兴趣使然的创作者
08-03 9672
首先声明，图像超分不是我的主要研究方向，下面我就以一个“外行人”的视角简单理解一下Real-ESRGAN这个算法的原理。如果读者对理论不感兴趣，可以跳到下一节的实践部分。
图像在线超分工具
求知小鸟
11-14 4652
图像在线超分工具 AI人工智能图片放大： bigjpg https://bigjpg.com/ 通过神经网络，针对放大图片的线条、颜色、网点等特点，做特殊的算法调整，所以放大效果非常出色, 色彩保留较好, 图片边缘也不会有毛刺和重影,。更重要的是，影响画质的噪点基本在放大的图片上看不出来。 最大可以上传多大图片？ 目前免费版3000x3000px, 5M; 付费版50M。 ...
OCR——图像超分调研
qq_40206924的博客
09-16 1873
能够隐式地学习图像的先验知识，并利用学习到的先验知识生成效果更好的超分辨率图像。该类方法中经典的包括 SRCNN、ESPCN、VDSR、DRCN、DRRN、EDSR、SRGAN、ESRGAN、RDN、WDSR、LapSRN、RCAN、SAN、IGNN、SwinIR等。基于学习的图像超分辨率重建算法在重建结果上取得了远超传统算法的优势，但由于对硬件设备和处理时间的高要求导致这些算法中被实际应用的寥寥无几。估计退化模型就是在对图像进行超分辨率重建的同时，从低分辨率图像中估计图像的运动信息、模糊信息和噪声信息。
【深度学习】图像超分实验：SRCNN/FSRCNN
兴趣使然的创作者
07-05 5908
输入大小为h×w的图像X，输出为一个sh×sw的图像 Y，s为放大倍数。本次实验采用的是 BSDS500 数据集，其中训练集包含 200 张图像，验证集包含 100 张图像，测试集包含 200 张图像。 数据集来源：https://download.csdn.net/download/weixin_42028424/11045313数据预处理包含两个步骤：(1)将图片转换成YCbCr模式 由于RGB颜色模式色调、色度、饱和度三者混在一起难以分开，因此将其转换成 YcbCr 颜色模式，Y是指亮度分量，Cb表示
[图像超分]--Adaptive Densely Connected Single Image Super-Resolution
weixin_42096202的博客
12-19 1090
点评一下，如有不对的地方，请联系更正！首先本文的实验结果非常优秀，超越了RCAN、SAN等方法，但是也隐藏了几个不公平的trick，例如：1.网络通道数是128，RCAN、SAN均为64通道；2.训练数据集为DIV2K+Flickr2K共3000多张图片，RCAN、SAN等只采用DIV2K800张图片训练。此外感觉论文的消融实验分析缺少了个整个网络整体各个模块的贡献度，仅仅是拿出来单独测试了一下...
图像超分综述 超长文一网打尽图像超分的前世今生 (附核心代码)(3)
最新发布
2401_84181108的博客
05-11 733
【代码】图像超分综述 超长文一网打尽图像超分的前世今生 (附核心代码)(3)
图像超分综述:超长文一网打尽图像超分的前世今生 (附核心代码)
热门推荐
书山有路，学海无涯！
06-24 2万+
图像超分的目的是提高图像的分辨率，同时丰富图像的纹理细节。本文总结整理在图像超分领域经典算法的创新点以及意义，同时指出当下图像超分的困境和未来，欢迎大家前来阅读收藏。本文全部观点受个人能力水平限制如有偏差还请指正。...
ValueError: zero-dimensional arrays cannot be concatenated
05-31
这个错误通常是由于尝试将一个0维数组与另一个数组进行连接而导致的。在NumPy中，0维数组也称为标量或标量值。可以使用`numpy.newaxis`将标量转换为1D数组，然后再进行连接。以下是一个示例： ```python import numpy as np a = np.array(1) # 0维数组，也称为标量或标量值 b = np.array([2, 3, 4]) # 报错：ValueError: zero-dimensional arrays cannot be concatenated c = np.concatenate((a, b)) # 将a转换为1D数组 a_1d = a[np.newaxis] c = np.concatenate((a_1d, b)) print(c) # [1 2 3 4] ``` 在上面的示例中，我们使用`a[np.newaxis]`将标量`a`转换为1D数组，然后就可以将其与另一个数组`b`进行连接了。
评论 6
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