随笔分类 - 学习论文~论文阅读
阅读论文，对论文知识点的一些认识
摘要：我的结论（仅仅代表个人观点） * 2020年3月的论文 * 恢复结果结构信息以及图像清晰度得到的改善。 * 分辨率，256*256 * 正脸和小角度侧脸都好用，大角度侧脸没有给出测试结果，没有代码无法测试。 * 对人脸和日常场景照修复效果都挺好的。 * 论文自己说它比以下论文效果好。 20. 《Pi
阅读全文
摘要：我的结论（仅仅代表个人观点） * 2020年2月的论文 * 官方论文没有公开代码（20200526）。没有代码，一些重要的结论无法测试和验证。 * 恢复结果结构信息以及图像清晰度得到保障。（第一次看到论文直接说了清晰度这个问题。值得注意） * 分辨率，256*256 * 正脸和小角度侧脸都好用，大角
阅读全文
摘要：我的结论（仅仅代表个人观点） * 2019年2月的论文 * 论文没有公开代码（20200525）。没有代码，一些重要的结论无法测试和验证。 * 分辨率不高，128*128 * 正脸和侧脸都好用，人脸图和日常场景照都好用。 * 对背景的修复能力挺好的。从结果图看，模糊问题不突出。分辨率小，论文中图放大
阅读全文
摘要：我的结论（仅仅代表个人观点） * 论文代码：https://github.com/swordcheng/FCSR-GAN * 分辨率不高，16*16 or 32*32/ 128*128 * 图6，图13，图4，图标有歧义。也许是我理解有问题。 * 恢复出来的图像，遮挡区域模糊，非遮挡区域也发生了改变
阅读全文
摘要：我的结论（仅仅代表个人观点） * 2020年2月的论文 * 论文没有公开代码（20200525），网络计算量，无法确定。 * 分辨率不高，16*16 or 32*32/ 128*128 * 适用于正脸，不适用于侧脸 * 恢复出来的遮挡区域，依旧模糊 * 关键点，图卷积 and FPN结构 1、题目
阅读全文
摘要：文中提到了三个关键词：High-Resolution、Daytime Translation、Without Domain Labels，我们从三个关键词出发，看看怎么做的。 0、总述 本文的数据流 一般看论文我都从这里出发，看一眼，要不要看就确认了。这是本文让我比较喜欢的，说的透彻，命名也合理啊。
阅读全文
摘要：解决的问题 前人的做法： Success of image translation methods mostly imposes the requirement of working on aligned or similar domains for texture or appearance
阅读全文
摘要：目的：提出一个基于GAN的网络框架来学习发现跨域关系（cross-domain relation），把寻找这种关系变成了用一种风格的图片生成另一种风格。 模型： 左边标准GAN,右边带有重建损失的GAN. DiscoGAN：
阅读全文
摘要：论文地址： http://iizuka.cs.tsukuba.ac.jp/projects/completion/en/ 目标： 进行图像填充，填充任意形状的缺失区域来完成任意分辨率的图像。 网络构造： 完成网络：完成网络是完全卷积的，用来修复图像。 全局上下文鉴别器：以完整的图像作为输入，识别场景
阅读全文
摘要：来源： NVIDIA Corporation。 优势： a. 对缺失的图像做恢复。目前效果最好，针对规则形状的污染和非规则形状的污染都有好的效果。 b. 端到端，不需要后处理。 c. 提供超级大的数据库啊，做这个方面会有需求的。数据量是：训练55116，测试24866在这个基础上我们还可以进行扩充的
阅读全文
摘要：
阅读全文
