向盟约起誓-CSDN博客

原创 Residual Feature Aggregation Network for Image Super-Resolution

近期在跑自己的论文模型所以论文看的比较少，博客也没怎么更，。。。这篇论文是今年cvpr的一篇超分论文，提出了传统的残差网络并未充分利用各层残差信息，因此该文章提出了一种将各层残差信息经过跳转链接直接传到后层的网络结构（这里想吐槽一下。。。这跟密集残差结构真的很像。。。）总体网络结构也很简单另外文章里提出了一种增强的空间注意力机制，并把注意力放在上文中的RB块中，该注意力机制首先通过1*1conv进行降维，后通过步长卷积（其实就是一个步长为2的卷积。。。此处论文中并未说明步长卷积的卷积核大小，代码也

2020-08-22 15:45:04 983 1

原创 Image Super-Resolution via Attention based Back Projection Networks

这篇文章对反馈链接进行了一些改进，针对sr无法在较大的上采样倍数时无法表现出很好的图像效果的问题，Deep Back-Projection Networks for Single Image Super-resolution这篇文章提出了反馈链接思想，本文对反馈链接进行了部分改进，上采样的反馈链接输入为323232的图像，先经过deconv上采样后通过conv进行下采样会原来的大小，此时会有像素损失，用原本的低分辨率特征图减经过上下采样后的特征图得到的残差图文章中认定为只经过一次上采样而丢失的信息（其实下采

2020-07-24 17:34:42 459

原创 Edge-Informed Single Image Super-Resolution

这篇文章提出了一种将图像结构信息和纹理信息分开处理的单图像超分辨率方法，通过这种方法将单图像超分辨率转换为图像修复。该文章首先分析了传统的双三次插值的弊端：原标准的HR图像是有边缘信息的高清图像，2倍下采样时四个像素合成一个像素点使下采样后的图片丢失了高频边缘的结构信息和方向信息，后双三次插值得到的2倍恢复的原图彻底丢失了高频边缘的结构信息和方向信息。该文章提出了一种，即通过插值法将图像放大2倍原来为利用相邻两像素点生成一个像素值，而深度学习最大的好处是可学习，因此借用插值法的原理我们将原lr图的每

2020-07-10 23:19:57 579

原创 Image Super-Resolution by Neural Texture Transfer

这篇文章提出现有单图像超分辨率过程中，由于低分辨率图像中的重要信息丢失会导致超分质量不佳，因此提出了REF-SR的方法，利用与LR分布相同的HR图像辅助超分恢复纹理细节，但REF-SR所利用的引导超分的HR图像与LR 不对齐时会导致辅助功能大幅下降，因此这篇文章提出了一种新的风格迁移方式，保证在辅助hr图像与lr不相似时也能很好的恢复纹理。网络为了恢复各个不同尺度的纹理，分别用不同大小的辅助图像对不同尺度下的lr图像进行相似度度量和纹理迁移。...

2020-06-19 14:51:46 294 1

原创 PCA-SRGAN: Incremental Orthogonal Projection Discrimination for Face Super-resolution

这篇文章主要阐述了利用生成对抗网络对人脸进行超分辨率重建过程中，会产生图像失真等问题，并提出将PCA引入生成对抗网络中，利用PCA降维后不同维度的图片（含不同程度的纹理特征信息），维度越高信息频率越高，由此这篇文章的整体思路与利用sobel算子及利用梯度图恢复纹理信息的思路相似。首先对PCA进行说明，PCA多用于对数据进行降维处理，并提取出一系列数据中的主要数据。如上图数据主要分布在X2方向，X1方向的数据分布取值大致相同，这种情况下可以去掉X1这一维度去掉，从而实现了降维和提取主成分，然而现实中大部

2020-06-05 14:58:10 482

原创 Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution

这篇文章提出的问题是感知损失中由于一开始vgg训练的目的与超分目的不符，导致用感知损失约束的网络会产生不符合原本分布的HR伪影。vgg一开始训练的目的是为了进行分类任务这导致在前面30层中利用conv进行特征提取时对特征很敏感，即输入的特征图的某部分特征会为了去归为某一类而导致产生的特征图有不符合原分布的特征。这篇文章提出的解决办法为利用对抗网络中间层生成的特征作损失约束网络去除伪影，对抗网络为了区分真实的HR和生成的SR图像在中间层很好的提取到了HR和SR的特征信息，因此利用其中间层的特征信息可以很好

2020-05-24 10:57:06 277

原创 Unsupervised Learning for Real-World Super-Resolution

这篇论文是19年的一篇通过非成对图像的思想解决超分中采用双三次插值构造数据集训练的网络对真实世界的LR图像泛化能力不强的问题。在此我用20年最新的非成对图像超分论文与这篇论文进行比较讨论，首先这篇论文与20年的最大区别在于将退化过程与超分过程分开进行训练，因此在这篇论文中退化的学习过程是无标签的，退化过程包含两个可学习的层，一个为G（学习生成真实世界LR图像的过程，即通过对抗向LR图像添加模糊核和噪声），一个为F（学习生成双三次插值得到图像的过程，即通过对抗去噪去模糊的过程），此处px、py、pz分别代表

2020-05-23 21:52:48 1297 4

原创 Unpaired Image Super-Resolution using Pseudo-Supervision

这篇文章提出了现有超分网络构造数据集时，通常采用将HR图像直接下采样或加模糊核和噪声后下采样来构造LR图像，但是这样构造的LR图像与真实LR图像有较大区别，因此使用此种方式构造的LR-HR数据集训练出的网络对真实世界的lr图片没有很好的泛化能力，往往会造成生成HR图像效果差等问题，为了解决这个问题，这篇论文提出了一种非成对的对抗网络。盲超过程中的非成对的对抗有两种方式：一种是直接对抗，LR源图像经过生成器生成HR图像与不成对的标签HR图像做对抗，使生成器学习上采样过程，使生成的HR图像尽量高清，这种方法的

2020-05-09 17:42:45 3082

qq_34049103的博客

原创 Residual Feature Aggregation Network for Image Super-Resolution

原创 Image Super-Resolution via Attention based Back Projection Networks

原创 Edge-Informed Single Image Super-Resolution

原创 Image Super-Resolution by Neural Texture Transfer

原创 PCA-SRGAN: Incremental Orthogonal Projection Discrimination for Face Super-resolution

原创 Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution

原创 Unsupervised Learning for Real-World Super-Resolution

原创 Unpaired Image Super-Resolution using Pseudo-Supervision

原创 Unified Dynamic Convolutional Network for Super-Resolution with Variational Degradations

原创 Multi-Resolution Space-Attended Residual Dense Network for Single Image Super-Resolution

原创 Lightweight Feature Fusion Network for Single Image Super-Resolution

原创 Structure-Preserving Super Resolution with Gradient Guidance

原创 Multi-Level Feature Fusion Mechanism for Single Image Super-Resolution

原创 WEEK TEXTURE INFORMATION MAP GUIDED IMAGE SUPER-RESOLUTION WITH DEEP RESIDUAL NETWORKS

原创 PIXEL-LEVEL SELF-PACED LEARNING FOR SUPER-RESOLUTION

原创 SRDGAN: learning the noise prior for Super Resolution with Dual Generative Adversarial Networks

原创 Deep Neural Network for Fast and Accurate Single Image Super-Resolution via Channel-Attention-based

原创 Meta-Transfer Learning for Zero-Shot Super-Resolution

原创 Embedded Block Residual Network: A Recursive Restoration Model for Single-Image Super-Resolution

原创 Fast and Accurate Single Image Super-Resolution via Information Distillation Network

原创 Deep Back-Projection Networks for Single Image Super-resolution

原创 Lightweight Image Super-Resolution with Adaptive Weighted Learning Network

原创 Multi-scale deep neural networks for real image super-resolution

原创 Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution

原创 Triple Attention Mixed Link Network for Single Image Super Resolution

原创 Mixed Link Networks

原创 Advanced Super-Resolution using Lossless Pooling Convolutional Networks

原创 Unsupervised Degradation Learning for Single Image Super-Resolution

原创 MAANet: Multi-view Aware Attention Networks for Image Super-Resolution

原创 Single Image Super-Resolution via Cascaded Multi-Scale Cross Network

原创 Generative Adversarial Network-based Image Super-Resolution using Perceptual Content Losses

原创 CIFAR10分类问题

原创关于使用pytorch实现cv时一些问题

空空如也

空空如也