CVPR2020-深度图超分辨率DSR新方法| Channel Attention based Iterative Residual Learning for Depth Map SR

最新推荐文章于 2024-07-18 23:33:17 发布
最新推荐文章于 2024-07-18 23:33:17 发布
阅读量3.5k 收藏 13
点赞数 6
文章标签： 计算机视觉
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/106877635
版权

了解性阅读深度图超分辨率（DSR）领域的文章。发现该领域基于深度学习的进展比较慢。文中的通道注意力明显就是Non-Local注意力。此外，发现这是第二篇利用输入损失来约束重建结果的文章了，而且都是在SR领域，都发表在CVPR2020上。

论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Song_Channel_Attention_Based_Iterative_Residual_Learning_for_Depth_Map_Super-Resolution_CVPR_2020_paper.pdf

在这里插入图片描述

Abstract：

尽管在基于深度学习的深度图超分辨率（DSR）方面取得了显著进步，但是如何解决低分辨率（LR）深度图在现实世界中的退化仍然是一个重大挑战。现有的DSR模型通常在合成数据集上进行训练和测试，这与从真实深度传感器获得的数据有很大不同。在本文中，我们认为在这种情况下训练的DSR模型是局限性的，不能有效地处理实际的DSR任务。我们为解决不同深度传感器

最低0.47元/天 解锁文章
chenzy_hust
关注
cvpr2015papers
ZhangPY的专栏
03-02 9225
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
CVPR2020（SPSR梯度引导的SR）Structure-Preserving Super Resolution with Gradient Guidance
qq_20777119的博客
06-05 1058
Structure-Preserving Super Resolution with Gradient Guidance 文章链接：https://arxiv.org/pdf/2003.13081.pdf 项目地址：https://arxiv.org/pdf/2003.13081.pdf 利用图像的梯度图来引导SR.并且设计了梯度图的损失函数和计算方法 abstract 1、简介 2、相关工作： In this paper, we propose a structure-preserv...
基于深度学习的深度图超分辨率采样.pdf
08-19
基于深度学习的深度图超分辨率采样.pdf
基于WAFP-Net实现深度图的超分辨率重建
m0_63642362的博客
07-01 662
本项目基于PaddleVideo WAFP-Net实现深度图的超分辨率重建，提供从” 数据处理→模型验证→模型部署” 的全流程指导，读者可参考在自定义数据集上实现超分辨率重建
PPSIG：PMBANet深度图超分辨率重建模型复现
m0_63642362的博客
10-07 858
使用Paddle框架对PMBNet模型进行复现
基于深度学习的超分辨率
最新发布
weixin_42605076的博客
07-18 1595
基于深度学习的超分辨率（Super-Resolution, SR）技术旨在从低分辨率（Low-Resolution, LR）图像中重建出高分辨率（High-Resolution, HR）图像。超分辨率技术在医疗影像、卫星图像、视频处理、安防监控等领域有着广泛的应用。
基于深度学习的图像超分辨率算法论文合集2015-2019（CVPR,ECCV,ICCV）
03-31
本合集涵盖了2015-2019年发表在计算机视觉三大顶级会议上的基于深度学习的图像超分辨率算法的大多数论文。
Depth super resolution 论文及代码汇总，持续更新中~~
不忘初心~
03-14 1429
depth super resolution
Learning Texture Transformer Network for Image Super-Resolution（CVPR2020）
weixin_44678648的博客
02-25 1829
文章目录摘要一、Introduction二、Related Work1.单图像超分辨率2.基于参考的图像超分辨率三、Approach1. 纹理转换器 摘要 我们研究图像超分辨率（SR），旨在从低分辨率（LR）图像中恢复逼真的纹理。最近通过以高分辨率图像作为参考（Ref）取得了进展，以便可以将相关纹理转移到 LR 图像。然而，现有的 SR 方法忽略了使用注意力机制从 Ref 图像中传输高分辨率 (HR) 纹理，这在具有挑战性的情况下限制了这些方法。在本文中，我们提出了一种新颖的用于图像超分辨率 (TTSR
干货！用于多模态深度图超分辨率的离散余弦变换网络
AITIME_HY的博客
09-13 947
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！赵子祥：西安交通大学数学与统计学院博士在读，师从张讲社教授，现为哈佛大学计算机科学系访问博士，导师为Hanspeter Pfister教授。研究方向为底层视觉，图像增强，多模态信息融合。多模态深度超分辨率是多模态图像处理中的一个重要课题，它借助同一场景的高清RGB图像从在次优条件下收集的低分辨率深度图重建高分辨率深度图。为了解决在解释工作机...
lidar_super_resolution:基于仿真的地面车辆激光雷达超分辨率
04-13
激光雷达超分辨率 该存储库包含用于在道路上行驶的地面车辆进行激光雷达超分辨率的代码，该代码依赖于驾驶模拟器来增强物理激光雷达的视在分辨率。 为了提高稀疏3D激光雷达捕获的点云的分辨率，我们将此问题从3D欧几里得空间转换为2D图像空间中的图像超分辨率问题，可使用深度卷积神经网络解决该问题。 通过将点云投影到范围图像上，我们可以使用深度神经网络有效地提高此类图像的分辨率。 我们仅使用计算机生成的数据（即CARLA模拟器）来训练网络。 。 相依性 该软件包取决于Numpy，Tensorflow-keras和ROS。 ROS仅用于可视化。 编译 将包下载到您的工作区，并使用catkin_make编译为代码（仅用于可视化）。 资料下载 到主目录中的Documents文件夹中。 数据目录应类似于/home/$USER/Documents/SuperResolution 。 SuperResolutio
kinect深度图的平滑
11-16
有些像素的深度值为0的，我们希望除去这样的像素，但是又不会影响精度和数据的其他特性。此方法可用于实时平滑
cvpr 深度估计_2019CVPR 深度估计相关论文简述
weixin_39610366的博客
12-19 807
2019CVPR用depth做关键字共索引出31篇文章，根据任务和方法分为7分部分。分别为多任务，更准确，深度补全，深度图辅助任务，新的数据集，知识蒸馏，其他。1. 更准确1. Neural RGB->D Sensing:主张：深度估计不仅预测深度值，应该同时预测深度的分布并且随着时间的推移对分布做积分。数学性质太强2.Recurrent MVSNet：多视角立体估计中，将最后的conca...
CVPR2020-注意力尺度用于人群密度估计 | Attention Scaling for Crowd Counting
weixin_42096202的博客
06-22 3312
与白翔组的分尺度预测人群密度有点类似。感觉还是挺有效的，这种思想是否可以借鉴到其他领域中去呢？ 论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Jiang_Attention_Scaling_for_Crowd_Counting_CVPR_2020_paper.pdf Abstract： 基于卷积神经网络（CNN）的方法通常通过输出人群密度将人群计数作为回归任务。他们学习图像内容和人群密度分布之间的映射。尽管取得了令人鼓舞的结果，但.
转换图像分辨率c++代码_MIT最新成果：激光雷达超分辨率的新方法
weixin_39636857的博客
12-19 211
为了提高稀疏3D激光雷达捕获点云的分辨率，MIT的研究人员通过研究，将这个问题从3D问题转换为2D图像空间中的图像超分辨率问题，使用深度卷积神经网络来解决。本文作者：小智在研究和使用激光雷达的时候，经常会遇到这样一个问题，既想要一个大线束的激光雷达来保证车辆周围的安全性，又需要最大限度的节省成本，这种情况下，很多研究者正在从算法上提高激光雷达的性能。近日，MIT提出了一种用于地面车辆在道路上行驶的...
Residual Attention Network for Image Classification
moshiyaofei的博客
02-27 1774
理解论文 Residual Attention Network for Image Classification Abstract 1.提出了 Residual Attention Network。 2.这是一种使用attention机制卷积神经网络，该卷积神经网络能够以端到端的训练方式与现有技术的前馈网络结构相结合。 3.Residual Attention Network通过堆叠产生a...
ablation experiments
FJY_sunshine的博客
09-17 3828
知乎上的朋友们是这样子解释的： 链接：https://www.zhihu.com/question/263837982/answer/273653126 第一种解释：比如你弄了个目标检测的pipeline用了A, B, C，然后效果还不错，但你并不知道A, B, C各自到底起了多大的作用，可能B效率很低同时精度很好，也可能A和B彼此相互促进。 Ablation experiment就是用来告诉你...
机器学习中 ablation 的解释
u012594138的博客
03-30 2674
前言 阅读机器学习论文中，遇见 ablation 一词 一、维基百科 在人工智能(AI)，尤其是机器学习(ML)领域，ablation 指移除AI系统的一个组件。 Ablation study 指通过研究AI系统移除某一组件之后的性能，来理解该组件对整个系统的作用。Ablation study 要求系统表现出适度退化(graceful degradation)：即使丢失或削弱某个组件系统也能保持功能继续运行。 In artificial intelligence (AI), particularly m
Learning multi-level structural information for small organ segmentation
Acmer_future_victor的博客
07-02 1536
Learning multi-level structural information for small organ segmentation 发表期刊：Signal Processing(工程技术2区) 发表时间：2022年
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