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进程异常故障定位及排查过程

《Java进程异常故障定位及排查过程》:本文主要介绍Java进程异常故障定位及排查过程,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、故障发现与初步判断1. 监控系统告警2. 日志初步分析二、核心排查工具与步骤1. 进程状态检查2. CPU 飙升问题3. 内存

深度解析Java DTO(最新推荐)

《深度解析JavaDTO(最新推荐)》DTO(DataTransferObject)是一种用于在不同层(如Controller层、Service层)之间传输数据的对象设计模式,其核心目的是封装数据,... 目录一、什么是DTO?DTO的核心特点:二、为什么需要DTO?(对比Entity)三、实际应用场景解析

深度解析Java项目中包和包之间的联系

《深度解析Java项目中包和包之间的联系》文章浏览阅读850次,点赞13次,收藏8次。本文详细介绍了Java分层架构中的几个关键包:DTO、Controller、Service和Mapper。_jav... 目录前言一、各大包1.DTO1.1、DTO的核心用途1.2. DTO与实体类(Entity)的区别1

SpringBoot整合liteflow的详细过程

《SpringBoot整合liteflow的详细过程》:本文主要介绍SpringBoot整合liteflow的详细过程,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋...  liteflow 是什么? 能做什么?总之一句话:能帮你规范写代码逻辑 ,编排并解耦业务逻辑,代码

Java中调用数据库存储过程的示例代码

《Java中调用数据库存储过程的示例代码》本文介绍Java通过JDBC调用数据库存储过程的方法,涵盖参数类型、执行步骤及数据库差异,需注意异常处理与资源管理,以优化性能并实现复杂业务逻辑,感兴趣的朋友... 目录一、存储过程概述二、Java调用存储过程的基本javascript步骤三、Java调用存储过程示

MySQL中的InnoDB单表访问过程

《MySQL中的InnoDB单表访问过程》:本文主要介绍MySQL中的InnoDB单表访问过程,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1、背景2、环境3、访问类型【1】const【2】ref【3】ref_or_null【4】range【5】index【6】

浏览器插件cursor实现自动注册、续杯的详细过程

《浏览器插件cursor实现自动注册、续杯的详细过程》Cursor简易注册助手脚本通过自动化邮箱填写和验证码获取流程,大大简化了Cursor的注册过程,它不仅提高了注册效率,还通过友好的用户界面和详细... 目录前言功能概述使用方法安装脚本使用流程邮箱输入页面验证码页面实战演示技术实现核心功能实现1. 随机

深度解析Python装饰器常见用法与进阶技巧

《深度解析Python装饰器常见用法与进阶技巧》Python装饰器(Decorator)是提升代码可读性与复用性的强大工具,本文将深入解析Python装饰器的原理,常见用法,进阶技巧与最佳实践,希望可... 目录装饰器的基本原理函数装饰器的常见用法带参数的装饰器类装饰器与方法装饰器装饰器的嵌套与组合进阶技巧

深度解析Spring Boot拦截器Interceptor与过滤器Filter的区别与实战指南

《深度解析SpringBoot拦截器Interceptor与过滤器Filter的区别与实战指南》本文深度解析SpringBoot中拦截器与过滤器的区别,涵盖执行顺序、依赖关系、异常处理等核心差异,并... 目录Spring Boot拦截器(Interceptor)与过滤器(Filter)深度解析:区别、实现

Navicat数据表的数据添加,删除及使用sql完成数据的添加过程

《Navicat数据表的数据添加,删除及使用sql完成数据的添加过程》:本文主要介绍Navicat数据表的数据添加,删除及使用sql完成数据的添加过程,具有很好的参考价值,希望对大家有所帮助,如有... 目录Navicat数据表数据添加,删除及使用sql完成数据添加选中操作的表则出现如下界面,查看左下角从左