深度学习在超分辨率重建SR领域的发展过程从SRCNN(ECCV14)-CameraSR(CVPR19)

本文主要是介绍深度学习在超分辨率重建SR领域的发展过程从SRCNN(ECCV14)-CameraSR(CVPR19),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • @[toc]
    • 帮助新手快速上路的网址和工具
    • 从2014的SRCNN到2019的CameraSR优秀论文集结
    • 实验过程中的常用MATLAB代码整理
    • SR领域期刊和会议整理

图像超分辨率重建之路的学习与经验总结。
**本文由四部分组成:(1)帮助新手快速上手的网址和工具;(2)从始至今的SR领域优秀论文整理;(3)常用的代码;(4)SR领域期刊和会议整理 **
单一图像超分辨率重建(SISR )是典型的计算机视觉问题,它的目标是从低分辨率图像中恢复出高分辨率图像。这是一个很困难的事情,因为一副低分辨图像对应多张高分辨图像, (an infinite number of HR images can get the same LR image by downsampling.)要让网络结构准确的恢复出其对应的高分辨率图片是很困难的。
目前已有大量的SISR方法被提出,包括基于插值的方法(interpolation-based methods),基于重构的方法(reconstruction-based methods)和基于学习的方法( example-based methods)。近几年,受计算机视觉任务的启发,DL在SR领域也取得了重大突破,硕果累累。从 2014年Dong等人率先提出基于卷积神经网络的超分辨率重建方法,即SRCNN,接着就出现了各种各样的基于神经网络的超分辨率重建算法。

帮助新手快速上路的网址和工具

超分科研上手常用工具

从2014的SRCNN到2019的CameraSR优秀论文集结

  • SRCNN (ECCV14)
    Depth: 3
    - 这是超分领域第一篇使用CNN的文章;
    - end-to-end的模式,image在送入网络之前就使用“双三次插值”对图片进行了上采样,让图片变大到目标大小。
    - 这样做的优点:图片在送入网络之前进行上采样,放大了。这样网络可学习的信息增加了;
    - 缺点:在上采样的过程中可能会引入噪声,这样会影响网络的性能

  • 论文SRCNN PDF

  • code(Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014)
    在这里插入图片描述

  • FSRCNN (ECCV16 )
    Depth: 8
    (1):在SRCNN的基础上进行了改进,得到了一个更加快速的参数更少的模型;网络中使用1×1卷积进行压缩,后期再使用1*1的卷积对网络进行扩增,此外还使用2个3×3的卷积代替SRCNN中的5×5的卷积,以上操作大大降低了网络参数;
    (2):网络中使用反卷积对图像进行上采样;

  • 论文FSRCNN PDF

  • 项目链接(Accelerating the Super-Resolution Convolutional Neural Network, ECCV2016)

在这里插入图片描述

  • ESPCN (CVPR16)-- 一种新的上采样方式
    Depth: 3
    亚像素卷积:本文提出了一种新的上采样方式,与以往的双三次插值,反卷积不同的是,亚像素卷积是通过通道扩增和像素点重排来实现的图像放大,比如放大r倍,则亚像素卷积层的输出必须是个长和宽都扩大r倍,整张图就放大了r倍;
    *论文
    Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network,CVPR2016
    *代码
    TensorFlow
    caffe
    亚像素卷积
  • VDSR (CVPR16)
    Depth: 20
    20层参数设置一样的卷积层,主要亮点是对网络模型进行了加深;其次提出了skip-connection;使用梯度裁剪的优化方式;网络的训练图像是使用在预处理时使用双三次插值将图片放大送入大图到网络中;
    *论文 VDSR PDF
    *项目链接(Accurate Image Super-Resolution Using Very Deep Convolutional Networks, CVPR2016)
    *caffe-VDSR
    *TensorFlow-VDSR
    *pytorch-VDSR

这篇关于深度学习在超分辨率重建SR领域的发展过程从SRCNN(ECCV14)-CameraSR(CVPR19)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/464356

相关文章

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

SpringCloud之LoadBalancer负载均衡服务调用过程

《SpringCloud之LoadBalancer负载均衡服务调用过程》:本文主要介绍SpringCloud之LoadBalancer负载均衡服务调用过程,具有很好的参考价值,希望对大家有所帮助,... 目录前言一、LoadBalancer是什么?二、使用步骤1、启动consul2、客户端加入依赖3、以服务

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

Oracle存储过程里操作BLOB的字节数据的办法

《Oracle存储过程里操作BLOB的字节数据的办法》该篇文章介绍了如何在Oracle存储过程中操作BLOB的字节数据,作者研究了如何获取BLOB的字节长度、如何使用DBMS_LOB包进行BLOB操作... 目录一、缘由二、办法2.1 基本操作2.2 DBMS_LOB包2.3 字节级操作与RAW数据类型2.

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Spring Security注解方式权限控制过程

《SpringSecurity注解方式权限控制过程》:本文主要介绍SpringSecurity注解方式权限控制过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、摘要二、实现步骤2.1 在配置类中添加权限注解的支持2.2 创建Controller类2.3 Us

Redis 内存淘汰策略深度解析(最新推荐)

《Redis内存淘汰策略深度解析(最新推荐)》本文详细探讨了Redis的内存淘汰策略、实现原理、适用场景及最佳实践,介绍了八种内存淘汰策略,包括noeviction、LRU、LFU、TTL、Rand... 目录一、 内存淘汰策略概述二、内存淘汰策略详解2.1 ​noeviction(不淘汰)​2.2 ​LR