论文原址:https: arxiv.org abs . 代码: https: github.com LimBee NTIRE 摘要 以DNN进行超分辨的研究比较流行,其中，残差学习较大的提高了性能。本文提出了增强的深度超分辨网络 EDST 其性能超过了当前超分辨最好的模型。本文模型性能的大幅度提升主要是移除卷积网络中不重要的模块进行优化得到的。本文模型可以在固定训练步骤的同时，进一步扩大模型的尺 ...
2019-06-01 11:42 0 1447 推荐指数：
github：https://github.com/LimBee/NTIRE2017 摘要 本文主要是用了残差学习，这篇论文也就使用了残差结构超分网络使得效果大大超越SOTA 移除传统残差网络中不必要的模块 。多尺度的超分(MDSR)和训练方法。 也是NTIRE2017超分挑战的冠军 ...
in residual模块用长跳连接多个残差组，组成了very deep residual channel atten ...
论文原址:https://arxiv.org/abs/1808.08718 代码:https://github.com/JiahuiYu/wdsr_ntire2018 摘要 本文证明在SISR中在ReLU之前特征图越宽，在有效的计算资源及内存条件下，模型的性能越好 ...
首先看一下这篇文章的摘要 尽管利用CNN做图像超分辨在速度和精度上都有了突破，然后关键的问题在于做高倍超分辨的时候恢复精细的纹理很有挑战。当前的工作基本利用MSE做损失函数，但是产生的结果经常缺 ...
论文原址:https://arxiv.org/abs/1709.01507 github:https://github.com/hujie-frank/SENet 摘要 卷积网络的关键构件是卷积操作，在每层感受野的范围内通过融合局部及channel-wise信息可以使 ...
论文源址：https://arxiv.org/abs/1710.08864 tensorflow代码: https://github.com/Hyperparticle/one-pixel-attack-keras 摘要 在对网络的输入上做点小处理，就可以改变DNN ...
CVPR20的文章，感觉想法挺棒的。 超分问题可以定义为$y=(x\otimes k)\downarrow_s+n$.他通常有两大类解决方法，早期通常是使用model-based方法。基于一些模型，比如MAP（最大后验概率）进行计算。在MAP的框架下，超分辨率重建是一个基于马尔科夫 ...
1. 摘要 在图像超分辨领域，卷积神经网络的深度非常重要，但过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。 为了 ...
