文章目录
计算
zero padding的计算
- zero padding:因为我们希望全尺寸输出,保证输入图像的尺寸-
卷积层的计算
- W,D 向下取整
池化层的计算
- W,H 向上取整
一些概念
残差网络
参考博客:https://blog.csdn.net/u014665013/article/details/81985082#1__6
参考文章:https://zhuanlan.zhihu.com/p/56961832
参考文章:https://zhuanlan.zhihu.com/p/27160373
自己的解:
(SRCNN 重新画一张高清HR)
(引入残差 VDSR 把LR放大,补充与真实的HR的差距[context information],生成HR,加快训练)
receptive field
参考文章:https://www.zhihu.com/question/66954030/answer/715416325
图像去噪、图像复原、图像超分辨率重建,它们之间有什么联系与区别?
参考文章:https://www.zhihu.com/question/65791339/answer/472977847
文章优秀评论:从深度学习的角度讲也有很大区别。Denoise往往是网络去学习拟合噪声的分布(Gaussian distribution etc.),所以L2这类loss对synthesize noise image的效果好,但是对real word noise却不如BM3D这类传统算法,因为real world noise一般是gaussian和poisson distribution的混合,更复杂。对于super resolution的task来说,模型学习的是context information来predict缺失的信息。对于denoise来说noise image和ground truth是many-to-one map的,但是对于super resolution来说是many-to-many map的。两个task看似都是一堆paired的数据丢到网络去学,其实本质上区别很大
图像去噪传统的方法:
参考文章:https://zhuanlan.zhihu.com/p/51403693
图像的高频信息与低频信息:
参考博客:https://blog.csdn.net/charlene_bo/article/details/70877999