![](https://img-blog.csdnimg.cn/20190927151043371.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
超分辨率论文阅读笔记
文章平均质量分 60
最新、最具代表性的超分论文阅读笔记
长风破浪会有时_Tzz
这个作者很懒,什么都没留下…
展开
-
ECCV2022_Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution论文阅读记录_5
方法首先预先定义大量的下采样策略,利用下采样策略来尽量拟合真实下采样效果,下采样方法用V表示,输入高清图像Y首先利用V进行下采样处理生成x,之后将x输入到P网络中,对下采样方法V进行预测,生成v_,之后在将v_输入到A中生成,预测生成参数权重a,网络引入了专家网络的思想,其包含多个子网络,其中子网络具有相同的网络结构(作者的思想是:每个子网络对应一种下采样方法,这样是的方法是术业有专攻,可以针对不同的缺陷一对一解决),而获得的参数权重a则是用来选择哪个子网络进行解决。原创 2023-09-28 21:51:28 · 107 阅读 · 1 评论 -
TMM22_Real-World Image Super-Resolution by Exclusionary Dual-Learning_论文阅读记录
方法首先利用滑动窗口的思想,对所有图像进行分块,然后分别计算每一个图像块的均值与方差,然后对其进行排序,从大到小,选取其数值排在最后2%的块,记录分界线为Th,当作噪声池。此外,后2%的图像区域平滑,作者认为噪声会在光滑图像上给予凸显,而那些具有较多纹理的图像,由于其中包含大量的纹理信息,其纹理信息可能会掩盖掉其中的噪声。另外一个问题就是,感觉不能这样直接提取噪声图像,我认为复杂场景的噪声不会被掩盖把,而且和少纹理的图像块,可能具有不同的噪声分布?只不过最终的网络输入LR图像还为加上刚才提取的噪声。原创 2023-09-25 20:33:42 · 9 阅读 · 1 评论 -
CVPR2023_Guided Depth Super-Resolution by Deep Anisotropic Diffusion 论文阅读记录_4
网络模型的上下文推理能力可以增强扩散模型的边缘增强特性。调整步骤使得生成的图像与原始图像类似。原创 2023-09-12 22:22:57 · 226 阅读 · 0 评论 -
ICCV2023_Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution 论文阅读记录_3
SAFM网络的整体结构图如下图的左小图所示,其首先在通道维度对输入的特征进行拆分,拆分成4小份,然后再分别传入adaptive-maxpooling 层中,其中下采样层具有不同的下采样率,分别为0,2,4,8。CCM的架构如上图的右部分,就是由一个3X3、1X1的卷积和一个GELU激活层构成,其中3X3首先将输入的特征通道上升到两倍,之后1X1卷积再将特征通道下降到与输入相同。其中每个FMM模块由一个SAFM与CCM模块构成,即本文的创新点所在。去掉SAFM的影响以及去掉CCM的影响。原创 2023-09-11 10:27:19 · 379 阅读 · 0 评论 -
CVPR2022_Learning Graph Regularisation for Guided Super-Resolution论文阅读记录_2
这篇文章主要是设计了一个正则化项,使得网络的超分辨率效果更好(即超分的结果更为平滑)。原创 2023-09-10 21:30:43 · 86 阅读 · 0 评论 -
CVPR2023_N-Gram in Swin Transformers for Efficient Lightweight Image Super-Resolution 论文阅读记录_1
N-Gram的概念已经出现在语言模型中,其主要就是将目标词语的前后词语当作辅助信息输入即可。而图像中的N-Gram概念与其类似。问题A:如图二的h所示,红色方框的特征与邻居特征具有较为明显的不同,从而导致(e)红色方框中出现了失真现象。问题B:如图(f、g),红色方框与邻居方框色彩有着较为明显的不同,说明网络在推理时没有利用到邻居特征。3. 利用一个卷积网络将Forward-Gram与Backward-Gram进行融合。4. 将融合后的Gram作为偏置项添加到原始输入的特征中。引入N-Gram的消融实验。原创 2023-09-09 16:07:28 · 980 阅读 · 1 评论