07 2020 档案
摘要:项目地址:http://www.wisdom.weizmann.ac.il/~vision/zssr/ 之前利用深度学习构建的SR模型都是有监督学习,利用了大量的外部信息。但是由于这些LR-HR对大部分是通过对HR进行downscale而得到的,因此与实际的LR-HR对的关系有一定的差距。导致这些模
阅读全文
摘要:提出来了提升example-based single image SR的七个技巧。 数据集:Train91, Set5, Set14, B100, L20 用于实验的方法:Yang, Zeyde, ANR, A+, SRCNN 【前置知识】 稀疏表示: 用较少的基本信号(原子,从过完备字典中选出)的
阅读全文
摘要:一些经典的图像问题,如去雾、去噪、超分辨率等等其实都可以看作是image transformation问题。将输入image transform成output。目前比较常用的一种方法就是用监督的方式训练一个feed-forward的CNN,用像素级的损失函数衡量output和ground-truth
阅读全文
摘要:2016年的文章。在此之前使用CNN进行SR的方法都是将LR图像先用一个single filter(通常是bicubic)upscale至HR的尺寸,再进行reconstruction的。所有SR的操作都再HR空间进行。 而本文提出在LR空间进行特征提取。并引入sub-pixel convoluti
阅读全文
摘要:SR领域的经典论文,2015年发表。将CNN引入SR任务中,可以处理彩色图像。 由于SR问题属于不适定性问题,一种解决方法是通过引入先验知识限制解空间。 SR算法根据先验知识不同可分为prediction models, edge based method, image statistical me
阅读全文
摘要:Tensor基础 pytorch中的数据以tensor的形式存在,类似于numpy中的ndarrays。可以更好地利用GPU加速运算。 torch.empty(): 定义了一个未被初始化的张量,会被随机初始化为内存中的值。 torch.random() 定义一个值为随机数的张量。 torch.zer
阅读全文
摘要:这篇综述主要介绍目前深度学习领域超分辨率问题的一些方法。首先介绍了图像超分辨率问题以及问题的评价标准,之后重点介绍了监督学习领域的几大关键,包括上采样方法、网络结构、学习策略、其他优化策略等。并且分析了各种不同方法的优缺点。之后介绍了无监督学习的一些方法,最后给出了一些未来可能的研究方向。 图像超分
阅读全文
摘要:复指数信号 现实生活中的信号一般可以看作是一个正弦波$f(t)=sin(\omega t)$ 复指数信号是把信号在复数域进行表示,将三角函数转换为指数形式(利用欧拉公式) 复信号可以看作是一个在空间随时间螺旋上升的信号,但实信号只表达了他的幅值大小。 用复信号表示实信号的公式:$cos(2\pi f
阅读全文