Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination
NatSR: Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination
論文及其原始碼地址:https://github.com/JWSoh/NatSR
論文亮點
對於單影象超解析度利用客觀的損失函式無法重建出真實的精細紋理和細節,而這些對於感知質量至關重要。通過生成增強紋理來正強感知質量,會生成虛假細節,通常使得影象看起來不自然。
所以提出Natural Manifold Discrimination(自然流叛別器 NMD) 來判斷生成的影象怎麼樣。
NatSR 結構
重點
就是對提出Natural Manifold Discrimination(自然流叛別器 NMD)的模型進行訓練。**最後用訓練的判斷器來最為SatSR損失函式的一部分,來訓練整個網路。**它採用了往V中新增模糊和噪聲構造資料集。
利用構造的資料集A,B,來訓練NMD結構,得到
D
N
M
(
)
D_{NM}()
DNM(),這樣就可以做為總損失的一部分,參與SatSR的訓練中了。
NMD損失:
SatSR網路的損失
相關推薦
Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination
NatSR: Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination 論文及其原始碼地址:https://github.com/JWSoh/NatSR
Large Receptive Field Networks for High-Scale Image Super-Resolution,CVPRW 2018
G. Seif and D. Androutsos, “Large Receptive Field Networks for High-Scale Image Super-Resolution,” 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).
【ARXIV2104】Attention in Attention Network for Image Super-Resolution
程式碼地址:https://github.com/haoyuc/A2N 1、Motivation 注意力機制在超解析度領域應用較多,作者提出兩個問題:
Self2Self With Dropout: Learning Self-Supervised Denoising From Single Image【使用單張影象進行自監督學習去噪】
文章目錄 Self2Self With Dropout: Learning Self-Supervised Denoising From Single Image【使用單張影象進行自監督學習去噪】一、相關概念1.1 監督學習(Supervised learning)1.2 無監督學習(Unsuper
每日一篇文獻:Robotic pick-and-place of novel objects in clutter with multi-affordance grasping and cross-domain image matching
標題:Robotic pick-and-place of novel objects in clutter with multi-affordance grasping and cross-domain image matching
OpenCV4學習筆記(2)官方教程 | Load and Display an Image 載入並顯示影象
本篇部落格的主要內容是對官方OpenCV教程的翻譯、總結與理解,並記錄自己在學習過程中的心得體會。
前端:An iterative image registration technique with an application to stereo vision
這篇論文主要記錄Lucas 光流法,KLT光流跟蹤的基礎 【摘要】 主要講了影象配準的一種方法–利用影象的空間強度梯度和牛頓迭代法找到好的匹配。此方法更快(僅從較少的匹配中篩選)且適用於旋轉、尺度、裁剪
視訊超分:FSTRN(Fast Spatio-Temporal Residual Network for Video Super-Resolution)
論文:視訊超分的快速時空殘差網路 文章檢索出處: 2019 CVPR 讀後感:模型單看架構圖就能瞭解七八,語言不夠精簡。唯一亮點為模型可行性分析部分,但是稍顯難懂晦澀。
論文筆記_S2D.21_Deep Convolutional Neural Fields for Depth Estimation from a Single Image
本篇論文的優勢: ①我們不採用任何這些啟發式方法改進我們的結果,但我們就相對誤差而言取得了更好的結果。 ②為了克服過擬合,其他方法必須收集數以百萬計的帶有附加標籤的影象訓練他們的模型。一個可能的
(NIPS2020)Unfolding the Alternating Optimization for Blind Super Resolution 筆記
(NIPS2020)Unfolding the Alternating Optimization for Blind Super Resolution https://github.com/greatlog/DAN.git
論文筆記3:SegFormer Simple and Efficient Design for Semantic Segmentation with Transformers
論文地址:https://arxiv.org/abs/2105.15203 1 引言 文章提出了一種基於transformer的語義分割網路,不同於ViT模型,SegFormer使用一種分層特徵表示的方法,每個transformer層的輸出特徵尺寸逐層遞減,通過這種方式
Online and Offline Reinforcement Learning by Planning with a Learned Model
發表時間:2021 文章要點:文章接著muzero做的,當時muzero裡面提出了一個MuZero Reanalyze(Reanalyse)的方式,這篇文章提出的MuZero Unplugged演算法其實就是把MuZero Reanalyse用到offline RL裡面。作者想說的
【CVPR2021】Contrastive Learning for Compact Single Image Dehazing
論文:Contrastive Learning for Compact Single Image Dehazing, CVPR 2021 程式碼:https://github.com/GlassyWu/AECR-Net
AMD為虛幻4釋出FidelityFX Super Resolution外掛 以加快普及該技術
在今年7月份,AMD兌現了FidelityFX Super Resolution(FSR)技術上線時候的開源承諾,將其原始碼、開發文件和例項放在了AMD
2021 Image Compression with Recurrent Neural Network and Generalized Divisive Normalization
概要 該文提出了兩種有效的新編解碼塊:採用卷積層和Generalized Divisive Normalization(GDN)的分析(analysis)和合成塊(synthesis)。該文的網路利用pixel RNN方法進行量化。此外,為了改進整個網路,我們使用LSTM細
redirect-windows-cmd-stdout-and-stderr-to-a-single-file
https://stackoverflow.com/questions/1420965/redirect-windows-cmd-stdout-and-stderr-to-a-single-file You want:
kubernetes:關於建立pod中結點始終處於creating狀態的問題解決(Error syncing pod, skipping: failed to "StartContainer" for "POD" with ErrImagePull: "image pull failed for registry.access.redhat.com
通過以下程式碼獲得certificates,注意,必須對於master結點和兩個node結點機器上都需要獲取
Create the smallest and secured golang docker image based on scratch
Create the smallest and secured golang docker image based onscratch 原文:https://medium.com/@chemidy/create-the-smallest-and-secured-golang-docker-image-based-on-scratch-475
Logging with ElasticSearch, Kibana, ASP.NET Core and Docker
好久不見,前兩週經歷了人生第一次"偽牛市",基金和股市大起大落,更加堅信“你永遠賺不到超出你認知範圍之外的錢,除非靠著運氣”,老韭菜誠不欺我也。
OMSPatcher命令報錯Fail with Error Code 1 and Message: Unsupported major.minor version 51.0
OMSPatcher命令報錯Fail with Error Code 1 and Message: Unsupported major.minor version 51.0 前言 最近安裝OEM 13c,準備對OMS打補丁的時候,檢查OMSPatcher版本的時候,報錯如下: