- 博客(7)
- 收藏
- 关注
RSS订阅原创 UVE-NET代码分析 ———sr——model.py, tramsform.py,gopro_dataset.py
EMA 是一种提升模型泛化能力的训练技巧，通过对网络参数的 “移动平均” 生成一个更稳定的 “影子网络”（net_g_ema），测试时用该影子网络推理，可减少参数抖动带来的误差。
2025-09-29 17:53:12
1528
原创 UVE-NET代码分析 ——video_quality_enhancer.py
基于 Basicsr 框架实现的视频质量增强主模型（VideoQualityEnhancer），核心功能是整合训练流程（数据加载、损失计算、参数优化）、验证流程（PSNR 评估、结果保存）。该模型继承自 Basicsr 的VideoBaseModel，是连接 “网络架构（VideoQualityEnhancerArch）” 与 “训练 / 验证流程” 的桥梁。
2025-09-28 19:18:21
633
原创 UVE-NET代码分析 ——video_quality_enhancer_arch.py
整合了时空特征提取、多尺度编码解码、Swin Transformer 全局特征建模与多特征融合模块。网络采用模块化串联 + 特征融合的设计，输入为连续视频帧（(batch, 帧数, 通道, 高, 宽)），输出为增强后的视频帧及下采样版本。输入视频帧 → 时空特征提取 → 多尺度编码解码 → Swin全局特征提取 → 三类特征拼接 → 特征融合 → 增强输出+下采样输出模块名称核心功能捕捉视频帧间的时空关联性（如运动信息）提取多尺度局部特征，确保尺寸无损恢复。
2025-09-28 18:29:41
1691
原创 UVE-NET代码分析 ——train.py
train.py主要用于视频质量增强。它实现了完整的训练流程，包括数据加载、模型构建、训练循环、日志记录、断点续训等功能。
2025-09-28 17:18:43
729
原创 UVE-NET代码分析 —— basicsr文件夹之arch部分（二）
arch是存放网络架构（Neural Network Architectures）相关的代码。各种用于图像超分辨率、修复的深度学习模型结构，是整个算法的 “骨架” 部分，决定了模型如何提取和处理图像特征。
2025-09-13 17:21:10
869
原创 UVE-NET代码分析 —— basicsr文件夹之arch部分（一）
arch是存放网络架构（Neural Network Architectures）相关的代码。各种用于图像超分辨率、修复的深度学习模型结构，是整个算法的 “骨架” 部分，决定了模型如何提取和处理图像特征。声明当前模块对外公开的接口只有 build_network 函数，其他内容（如动态导入的模块）不对外暴露。
2025-09-12 11:29:59
629
原创 UVE-NET代码分析 —— 项目目录解析
模型封装目录，将 archs 中的网络架构、losses 中的损失函数等整合，形成完整的 “模型类”，方便训练和推理时调用（比如包含模型前向传播、损失计算、参数更新等逻辑）。：操作 / 算子目录，存放自定义的底层操作（比如特殊的卷积、上采样、注意力机制等），补充 PyTorch 等框架原生算子的不足，适配超分任务的特殊需求。：模型训练脚本，整合 data（数据）、models（模型）、losses（损失）等模块，实现模型的训练流程。：损失函数目录，定义超分辨率任务中使用的损失，指导模型的训练优化方向。
2025-09-10 20:36:10
1798
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人