【CVPR2020图像超分辨率】Cross-Scale Non-Local Attention / CSNLN 阅读笔记

最新推荐文章于 2024-05-06 14:09:39 发布
最新推荐文章于 2024-05-06 14:09:39 发布
阅读量6.5k 收藏 57
点赞数 19
分类专栏： 超分辨率 文章标签： 计算机视觉 深度学习 人工智能 机器学习
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_43514766/article/details/109996899
版权
本文探讨了一篇发表在CVPR2020的图像超分辨率论文，主要介绍了跨尺度非局部注意力机制（CS-NL）。通过CS-NL，模型能捕获不同尺度的丰富信息，从而改善图像重建效果。实验结果显示，这种方法在多个数据集上表现出色，尤其是在处理具有重复纹理的图像时。
摘要由CSDN通过智能技术生成

Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining

本文介绍的是发表在CVPR2020的一篇关于图像超分辨率的文章，其核心是跨尺度非局部注意力机制。
上上周在实验室seminar介绍了这篇文章，为了加强记忆🤯，准备写一篇笔记。


🌟paper：Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining
🌟code: Cross-Scale-Non-Nocal-Attention

Background

现有的基于非局部注意力机制的方法如RCAN、SAN，都只探索了统一尺度的特征，而忽略了不同尺度间的丰富信息，造成重建结果相对较差。


那么，什么是Cross-Scale呢？
一般来说，在做单图像超分辨率时，我们会将注意力集中在LR图像上，也就是说，我们想尽可能地利用这个LR图像提供的信息，跟LR死磕，这就是Single-Scale；而Cross-Scale的思想是，我们别只盯着LR看了，看看别的吧！于是乎，我们将LR做下采样，希望该下采样的结果和LR之间的相对关系也能为HR的重建提供信息。（之后会细讲）

在这里插入图片描述

Introduction

自然图像中广泛存在跨尺度的块相似性，也就是说除了

最低0.47元/天 解锁文章
刘芋儿
关注
  • 19
    点赞
  • 踩
  • 57
    收藏
    觉得还不错? 一键收藏
  • 29
    评论
专栏目录
Cross-Scale-Non-Local-Attention:我们的论文“具有跨尺度非局部注意和穷举的自样本挖掘的图像超分辨率”的PyTorch代码（CVPR2020）
03-21
跨尺度非局部注意和穷举自样本挖掘的图像超分辨率 该存储库适用于以下论文中介绍的CSNLN ，，，，，和，“影像超分辨率与跨尺度非本地关注和详尽的自我模范矿业”，CVPR2020， 该代码基于构建，并在带有Titan / Xp，V100 GPU的Ubuntu 18.04环境（Python3.6，PyTorch_1.1.0）上进行了测试。 内容 介绍 基于深度卷积的单图像超分辨率（SISR）网络具有从大规模外部图像资源中进行局部恢复学习的好处，但大多数现有工作都忽略了自然图像中的远程特征相似性。最近的一些工作通过探索非本地关注模块成功地利用了这种内在特征相关性。但是，当前的任何深层模型都没有研究图像的另一种固有特性：跨尺度特征相关性。在本文中，我们提出了第一个跨尺度非本地（CS-NL）注意模块，该模块集成到递归神经网络中。通过在功能强大的循环融合单元中将新的CS-NL先验与局部和尺度内非局部
CS-NL(CVPR2020) Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining
weixin_49497024的博客
09-23 3443
CS-NL(CVPR2020):Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining. 论文地址：https://arxiv.org/pdf/2006.01424.pdf Abstract SISR是利用大量外部数据训练模型来恢复图像的局部特征，但是他们忽视了自然图像的远距离特征的相似性质。（大量数据就是成对的<LR，HR>，自然图像就是输入的要恢复的LR，
独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型
最新发布
小蜗爱建模的博客
05-06 1763
BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型
不同分辨率图片匹配_超实用的图像超分辨率重建方法及应用介绍
weixin_39783512的博客
12-11 1927
在之前的文章中已经讲述过很多的传统超分辨率算法。而在AI领域中这几年也是很大热门。CVPR2017超分辨有7篇论文，2018 ICCV共有9篇 ，在CVPR2018中，共收录979篇，而超分辨率论文有14篇，占比1.43%，CVPR2019共收录1300篇文章， 超分辨率领域的文章一共有18篇(有两篇是讲Zoom和视频的)，占比1.38%。CVPR2019的相关论文中从一作的名字来看，1...
不同分辨率图片匹配_杜克大学开源 AI 算法，让马赛克图片秒变高清！
weixin_39882271的博客
11-28 492
公众号关注“GitHubDaily”设为 “星标”，每天带你逛 GitHub！大家好，我是小 G。在这个追求高清画质的时代，我们对渣画质的容忍度越来越低。在知乎上搜索「低分辨率」、「渣画质」，会看到一大片诸如「如何补救清晰度低的照片」、「如何拯救渣画质」之类的问题。那么，将渣到马赛克级别的画面秒变高清，是一种怎样的体验？杜克大学的研究人员用 AI 算法告诉你。GitHub 链接：htt...
不同分辨率图片匹配_4大原则，学会挑选合适的PPT图片
weixin_39953673的博客
12-11 802
现在的互联网上有许多如何获取图片的文章，且推荐了许多可以使用的高清大图的下载地址，但这并不代表就能找到真正合适的图片。挑选图片时，应该从图片的质量、内容、风格、主题等各方面考虑，精挑细选才能得到理想的素材。1、挑选高分辨率的图片图片内容的清晰程度对PPT效果有很大的影响，特别是对于全图型PPT、产品发布会PPT而言，高清大图更是必不可少的元素。图片的清晰程度由其分辨率决定，因此在挑选图片时，一定要...
SR超分辨率中的几种Non-local attention
用户
10-24 1927
1、初始版本 2、SAN中的分割成4份 3、CSNLN中的cross scale版 4、Non-Local Sparse Attention 5、借鉴Asymmetric Non-local Neural Networks for Semantic Segmentation
cross-scale non-local attention
SKY_yiyi_9的博客
08-12 1048
Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining #cross-scale non-local attention class CrossScaleAttention(nn.Module): def __init__(self, channel=128, reduction=2, ksize=3, scale=3, stride=1, softmax_sca
SRGAN-图像超分辨率-pytorch实现
01-17
A PyTorch implementation of SRGAN based on CVPR 2017 paper Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（图像超分辨率）
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
图像超分辨率是计算机视觉领域的一项关键技术，其目标是通过算法将低分辨率（LR）图像提升到高分辨率（HR），以增强图像的细节和清晰度。这项技术广泛应用于图像处理、视频增强、医疗影像分析和遥感等领域。在2015年...
CVPR-2020-point-cloud-analysis:专注于点云分析的CVPR 2020论文
05-28
CVPR-2020点云分析专注于点云分析的CVPR 2020论文[][][][] segmention [] segmention classification [] compression oral completion [代码] 基于图像的3D对象检测的端到端伪LiDAR [代码] 点网络segmentation 更...
Awesome-CVPR2021-CVPR2020-Low-Level-Vision:CVPR2021CVPR2020低层视觉的论文和代码合集
04-11
VisionA Collection of Papers and Codes for CVPR2021/CVPR2020 Low Level Vision or Image Reconstruction整理汇总了下2021年CVPR和2020年CVPR底层视觉(Low-Level Vision)相关的一些论文和代码，包括超分辨率，...
超分辨论文阅读笔记：CSNL
weixin_44712669的博客
10-30 1081
论文笔记 Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining 跨尺度非局部注意力和穷举自样本挖掘的注意力机制 针对问题： 现有的大部分研究都忽略了自然图像中的远距离特征相关性，虽然通过非局部注意力模块能够利用这种相关性，但目前的深度模型都未涉及另一个图像固有属性，跨尺度的特征相关性。 动机：自然图像中普遍存在跨尺度的块相似性，自相似的非局部搜索可以从像素之间扩展到像素
不同分辨率图片匹配_多视图立体匹配论文分享CasMVSNet
weixin_39797780的博客
12-11 275
Date：2020-12-3作者：Todd-Qi原文链接：多视图立体匹配论文分享CasMVSNet论文题目：Cascade Cost Volume for High-Resolution Multi-View Stereo and Stereo Matching0、引言CasMVSNet[1]是CVPR2020的工作，在开始介绍这篇文章之前，我们首先回顾一下之前的工作。基于学习的MVS算法可以分为...
Stereo Matching文献笔记之（一）：《Cross-Scale Cost Aggregation for Stereo Matching》读后感~
qq_36249226的博客
04-08 322
最近，在做立体匹配方向相关的研究，先去网上找最新鲜的论文，看到了这篇文献（简称CSCA），来源于CVPR2014，令我惊奇的是，作者竟然提供了详细的源代码，配置运行了一下，效果还真不错，速度也还可以，具有一定的实用价值，所以拿来和大家分享一下。 （转载请注明：http://blog.csdn.NET/wsj998689aa/article/details/44411215, 作者：迷雾for
Cross-Scale-Non-Local-Attention环境搭建和预训练模型测试 | 【❤️CVPR2020❤️】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
08-13 1326
Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining 代码 https://github.com/SHI-Labs/Cross-Scale-Non-Local-Attention 环境搭建 conda create -n nice python=3.6.9 conda activate nice pip install torch==1.1.0 pip in
CROSSFORMER: A VERSATILE VISION TRANSFORMER BASED ON CROSS-SCALE ATTENTION 论文阅读笔记
read, note and comment papers
09-08 265
CROSSFORMER: A VERSATILE VISION TRANSFORMER BASED ON CROSS-SCALE ATTENTION 论文阅读笔记 这是浙大、腾讯、哥伦比亚大学一起发表在ICCV的一篇文章
论文阅读笔记之——《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》RCAN
gwpscut的博客
05-30 8582
先给出论文的链接http://openaccess.thecvf.com/content_ECCV_2018/papers/Yulun_Zhang_Image_Super-Resolution_Using_ECCV_2018_paper.pdf 论文的代码https://github.com/yulunzhang/RCAN 复现的代码在博客《实验笔记之——Channel Attention（R...
CVPR 2021 论文大盘点-图像修复篇
OpenCV中文网
10-13 4954
本篇文章继续总结CVPR 2021中底层图像处理相关论文，包含图像恢复、图像修补、图像质量评价、去遮挡等。共计 20篇。大家可以在：https://openaccess.thecvf....
评论 29
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