Adaptive Geometric Duality(AGD) Prior

2024-04-06 03:32

本文主要是介绍Adaptive Geometric Duality(AGD) Prior,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!

由于对SR的实现方法不了解,关于SR部分基本是定性的描述。
AGD即:在实现SR插值过程中,能根据LR自动计算某些权值,使的到的HR和LR满足“几何对偶”的先验规律,例如稳健软判决插值(Robust Soft-Decision Interpolation)就是被认为是一种杰出的AGD方法。

下面简单解释了什么是GD,以及如何得到自适应权值

geometry duality

[2012] (TIP)Robust Soft-Decision Interpolation Using Weighted Least Squares

SAI relies on “geometric duality” (i.e., the consistency of geometric structure across resolutions) to estimate HR parameters using LR samples

For parameter estimation, the weighting criteria are specifically designed according to the definition of “geometric duality”

以减少几何对偶的不匹配为约束条件,在实现SR的过程中就可以调整一些参数和权值使LR与HR更好的满足“几何对偶”先验特性。

adaptive GD weighted

[2016] (TIP)Single Image Super-Resolution Using Local Geometric Duality and Non-Local Similarity
By assembling the two complementary strategies, an adaptive geometric duality (AGD) prior is presented, which primarily relies on the proposed luminance-difference-based local non-smoothness detection method and the directional standard-deviation-based weights selection method

计算出的Xi在[0,1]之间,图像块越平滑就越接近于0,反之则接近于1

最后将计算出的Xi和Ui用在插值方法中,使得SR后得到的HR图像与参考图像更相近

这篇关于Adaptive Geometric Duality(AGD) Prior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/878889

相关文章

COD论文笔记 Adaptive Guidance Learning for Camouflaged Object Detection

论文的主要动机、现有方法的不足、拟解决的问题、主要贡献和创新点如下: 动机: 论文的核心动机是解决伪装目标检测(COD)中的挑战性任务。伪装目标检测旨在识别和分割那些在视觉上与周围环境高度相似的目标,这对于计算机视觉来说是非常困难的任务。尽管深度学习方法在该领域取得了一定进展,但现有方法仍面临有效分离目标和背景的难题,尤其是在伪装目标与背景特征高度相似的情况下。 现有方法的不足之处: 过于

AUTOSAR Adaptive与智能汽车E/E架构发展趋势

AUTOSAR Adaptive是一个面向现代汽车应用需求的标准,特别适用于那些需要高计算能力和灵活性的应用。以下是AUTOSAR Adaptive的典型特性: 高计算能力:AUTOSAR Adaptive支持使用MPU(微处理器),这些处理器的性能与PC或智能手机中的处理器相当。这样的高计算能力是实现半自动驾驶和其他复杂功能所必需的。动态更新和管理:AUTOSAR Adaptive的架构允

Liver Segmentation in CT based on ResUNet with 3D Probabilistic and Geometric Post Process

一、摘要 本文提出了使用具有3D概率和几何后期处理功能的ResUNet的新型肝分割框架。 我们的语义分割模型ResUNet在U-Net的上采样和下采样部分添加了残差单元和批处理规范化层,以构建更深的网络。 为了快速收敛,我们提出了一种新的损失函数DCE,该函数由Dice损失和交叉熵损失线性组合。 我们使用连续的几个CT图像作为训练和测试的输入,以探索更多的上下文信息。 基于ResUNet的初始分割

Learning Policies for Adaptive Tracking with Deep Feature Cascades

Learning Policies for Adaptive Tracking with Deep Feature Cascades ICCV17 shotlight 作者:Chen Huang, CMU postdoctor,导师 Deva Ramanan summary 文章主要贡献在于速度与精度的权衡(AUC 0.638,fps 23),通过强化学习策略,来控制网络的深度,使得精度和

GNN-第三方库:PyTorch Geometric Temporal【PyG的一个时间图神经网络扩展库】

PyTorch Geometric Temporal 是PyTorch Geometric(PyG)的一个时间图神经网络扩展库。它建立在开源深度学习和图形处理库之上。 GitHub源码:benedekrozemberczki/pytorch_geometric_temporal PyTorch Geometric Temporal由最先进的深度学习和参数学习方法组成,用于处理时空信号。 Py

多场景建模: STAR(Star Topology Adaptive Recommender)

之前,分享了一篇关于多任务学习的文章:多任务学习MTL模型:MMoE、PLE,同样的还有关于多任务学习中的多目标loss优化策略。 这篇文章则开始一个与多任务学习有着紧密联系的系列:多场景建模学习。 前言 首先,讲一下多任务学习和多场景建模的区别: 多任务学习通常是聚焦于单独一个domain(场景、领域)内的不同任务的处理,即不同任务的label空间是不同的;而多场景建模则是关注于多个do

Apache Doris 采用了自适应查询执行(Adaptive Query Execution)技术

Apache Doris 通过自适应查询执行(AQE)和 Runtime Filter 技术,极大地增强了查询优化的灵活性和效率。AQE 能够根据实时的运行时信息动态调整查询计划,适应复杂多变的数据场景。而 Runtime Filter 则通过在查询执行过程中动态生成和应用过滤条件,显著减少了数据处理量和 I/O 开销,提升了查询性能。结合这两者,Apache Doris 能够在大规模数据分析中提

ATSS论文要点总结(Adaptive Training Sample Selection)

“ATSS” 全称为 “Adaptive Training Sample Selection”,意为自适应训练样本选择,相关论文的主要内容如下: 核心观点:在目标检测中,anchor-based 和 anchor-free 检测器性能差异的关键在于正负样本的定义方式。如果训练过程中使用相同的正负样本定义,两者性能将无明显差异。基于此,作者提出 ATSS 方法,根据目标的统计特征自动选择正负样本,

【xilinx】Versal Adaptive SoC DDRMC - NoC QoS 选项卡未出现

在 2024.1 之前的 Vivado 版本中,用户在使用 NoC 验证块设计时可以访问 NoC 对象窗口和 QoS 选项卡。            Vivado 2024.1 中存在一个已知问题,即 NoC 对象窗口和 QoS 选项卡不出现。         要显示 NoC 对象窗口和 QoS 选项卡,请保存块设计,关闭块设计,重新打开它,然后重新验证该设计。

Dubbo SPI之自适应扩展机制 @Adaptive

上一篇介绍了 Dubbo SPI 的基本实现,这篇就介绍下 Dubbo SPI 的自适应扩展机制,对应注解 @Adaptive。 介绍 @Adaptive 定义如下: public @interface Adaptive {/*** parameter names in URL*/String[] value() default {};} value 是个字符数组,通过该属性从 URL