【論文閱讀】Image Super-Resolution Using Deep Convolutional Networks
摘要:
我們提出了一種用於單張影象超解析度(SR)的深度學習方法。我們的方法在低解析度和高解析度影象上直接學習端到端的對映.這種對映被表示為一種深度卷積神經網路(DCNN),它將低解析度影象作為輸入並且把高解析度影象作為輸出。我們進一步表明,基於傳統的稀疏編碼的超解析度方法可以被描述為一個深度卷積網路。但和傳統的方法並不一樣,傳統的方法在處理每個模組是分離開的,我們的方法是同時優化多個層。我們的深度卷積神經網路是一個輕量級的結構,同時也證明了在當前情況下的重建質量,並且線上實踐使用中可以達到很快的速度。我們嘗試了不同的網路架構和設定引數,以達到效能和速度的一種平衡。另外,我們擴充套件了我們的網路並用來處理三個通道,同時顯示出更好的整體重建質量。
---------------------
索引術語:超解析度,深度卷積神經網路,稀疏編碼
介紹:
單張影象超解析度是計算機視覺的一個經典問題,旨在從單張的低解析度影象恢復成高解析度影象。
相關推薦
【論文閱讀】Image Super-Resolution Using Deep Convolutional Networks
開發十年,就只剩下這套架構體系了! >>>
Image Super-Resolution Using Deep Convolutional Networks
主要思想 (1)首先將一張低解析度的圖片使用二次插值法縮放到desired size,這一步使用的也是卷積操作,可以使用卷積層實現 (2)學習對映F,包含以下三個步驟: ① Patch提取和表示
【論文閱讀】Aggregated Residual Transformations for Deep Neural Networks Saining(ResNext)
這篇文章是kaiming大神的組的工作,在resnet上繼續改進。一作謝賽寧,2013年從上海交大本科畢業後去UCSD讀博士,現在他引1400+了(不知道我畢業時能不能有這個的一半QAQ),導師是Zhuowen Tu。 Introduction 現代的網路設計中通常會次堆疊
【論文閱讀】Learning Spatiotemporal Features with 3D Convolutional Networks
【論文閱讀】Learning Spatiotemporal Features with 3D Convolutional Networks 這是一篇15年ICCV的論文,本篇論文提出的C3D卷積網路是3D卷積網路的里程碑,以3D卷積核為基礎的3D卷積網路從此發展起來。 論文地址:下載地址
【文章閱讀】【超解像】--Image Super-Resolution Using Dense Skip Connection
【文章閱讀】【超解像】–Image Super-Resolution Using Dense Skip Connection 論文連結:http://openaccess.thecvf.com/content_ICCV_2017/papers/Tong_Image_Super-Resol
【文章閱讀】【超解像】--Image Super-Resolution via Deep Recursive Residual Network
【文章閱讀】【超解像】–Image Super-Resolution via Deep Recursive Residual Network 論文連結:http://cvlab.cse.msu.edu/pdfs/Tai_Yang_Liu_CVPR2017.pdf caffe code
【論文閱讀】Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connection
開發十年,就只剩下這套架構體系了! >>>
【論文閱讀】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks
【論文閱讀】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks 這是一篇15年ICCV的論文,在15年的時候,3D卷積網路剛剛興起,但是因為3D卷積網路的引數量較多,而且訓練資料
【論文閱讀】Sequence to Sequence Learning with Neural Networks
看論文時查的知識點 前饋神經網路就是一層的節點只有前面一層作為輸入,並輸出到後面一層,自身之間、與其它層之間都沒有聯絡,由於資料是一層層向前傳播的,因此稱為前饋網路。 BP網路是最常見的一種前饋網路,BP體現在運作機制上,資料輸入後,一層層向前傳播,然後計算損失函式,得到損失函式的殘差
【論文閱讀】Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel......
開發十年,就只剩下這套架構體系了! >>>
【論文閱讀】Accurate Image Super-Resolution Using Very Deep Convolutional Networks
開發十年,就只剩下這套架構體系了! >>>
【文章閱讀】【超解像】--Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
【文章閱讀】【超解像】–Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 論文連結:https://arxiv.org/abs/1609.04802 code(te
【論文閱讀】Feedback Network for Image Super-Resolution
開發十年,就只剩下這套架構體系了! >>>
【論文閱讀】Deeply-Recursive Convolutional Network for Image Super-Resolution
開發十年,就只剩下這套架構體系了! >>>
【論文閱讀】Learning a Deep Convolutional Network for Image Super-Resolution
開發十年,就只剩下這套架構體系了! >>>
【文章閱讀】【超解像】-Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Network
【文章閱讀】【超解像】–Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Network 論文連結:https://arxiv.org/abs/1710.01992 專案主頁:http://vll
【超解析度】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
之前我一直在做基於CNN的超解析度研究。最近因為工作需要,需要研究基於生成對抗網路GAN的網路來做超解析度任務。 在這段時間以來,我發現CNN和GAN兩類網路的側重點其實完全不同。CNN旨在於忠實的恢復影象的高頻資訊,而GAN在於生成更真實或者說更符合人眼的高
【論文閱讀】Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
開發十年,就只剩下這套架構體系了! >>>
【論文閱讀】Accelerating the Super-Resolution Convolutional Neural Network
開發十年,就只剩下這套架構體系了! >>>
【論文閱讀】Siamese Neural Networks for One-shot Image Recognition
關鍵詞: one-short learning : 待解決的問題只有少量的標註資料,先驗知識很匱乏,遷移學習就屬於one-short learning的一種 zero-short learning: 這個種情況下完全沒有