阅读 Meta-SR:A Magniﬁcation-Arbitrary Network for Super-Resolution

2024-06-25 18:15:45

Meta- sr:用于超分辨率的放大任意网络

1.motivation

一般的SR都是针对特定scale训练一个network(X2, X3, X4)，这与实际需求不相符。该文研究的是超分辨率的放大任意scale的网络。

2.structure

b部分是一个学习feature的过程，用到了RDB，讲白了一个Dense block变式。通过这个较深的network从LR提取feature map。然后文章的novelty是c部分。一般sr upsample 插值、转置卷积，边插值边转置卷积等等。filter只能学到一个scale的weights。

3.novelty

文章加入了一个FC结构去学习不同尺度特征向量v（i，j）的向量的卷积表达。

i,j表示HR中的i，j，r代表scale，之所以加一个1/r，因为完备性考虑。例如，如果我们想用比例因子2和4对图像进行upsample，ISR 2上的像素(i,j)将与ISR 4上的像素(2i,2j)具有相同的权重和相同的投影坐标。这意味着isr2是isr2的子像。这会限制性能。

这样子的话，一张SR的图像HxW。则会有HxW个v（i，j）。如网络结构图中的HxWx3。

这样一个特征矩阵，每一个v（i，j）（length = 3），要生成一个(inC,outC,k,k)的卷积核，原文中inC是64，outC是1（灰度图像），k=3。这非常困难，所以采用的256个hidden neurons 。试出来效果最好。

生成卷积核了以后，计算i，j这个点的像素，就用这么一个对应的卷积核去预测。

4.补充

v（i，j）为什么那个样子

v(i,j)是一种偏移——SR图像的i，j因为scale产生的相对偏移。举例来说r=2，那么v（1，0）=（0.5，0，0.5）代表SR在LR中i方向的相对偏移是0.5.。如下图，r=2，SR为1的坐标实际上对于LR是他的0.5处分数坐标。

LR中的0，决定了SR中的0，1两个位置（1-D）。同理r=1.5

底下是sr，上面是lr。

阅读 Meta-SR:A Magniﬁcation-Arbitrary Network for Super-Resolution相关推荐

论文阅读+实战：SimGNN：A Neural Network Approach to Fast Graph Similarity Computation
Part 1: 论文阅读论文链接:SimGNN: A Neural Network Approachto Fast Graph Similarity Computation 1. 摘要图相似性搜索 ...
论文阅读 [TPAMI-2022] DE-GAN: A Conditional Generative Adversarial Network for Document Enhancement
论文阅读 [TPAMI-2022] DE-GAN: A Conditional Generative Adversarial Network for Document Enhancement 论文搜索 ...
论文翻译：2019_Speech Super Resolution Generative Adversarial Network
博客作者:凌逆战论文地址:基于GAN的音频超分辨率博客地址:https://www.cnblogs.com/LXP-Never/p/10874993.html 论文作者:Sefik Emre Es ...
论文翻译：Speech Super Resolution Generative Adversarial Network
博客作者:凌逆战论文地址:https://ieeexplore.ieee.org/document/8682215 博客地址:https://www.cnblogs.com/LXP-Never/p/ ...
CV之SR：超分辨率(Super resolution)的简介、使用方法、案例应用之详细攻略
CV之SR:超分辨率(Super resolution)的简介.使用方法.案例应用之详细攻略目录超分辨率(Super resolution)的简介超分辨率(Super resolution)的使 ...
图像超分辨率：小米低功耗超分，适用于移动端Extreme Low-Power Super Resolution Network For Mobile Devices
4. ELSR: Extreme Low-Power Super Resolution Network For Mobile Devices 小米的论文,网络很简单很快,训练步骤比较多.
【论文阅读笔记】Relation Classiﬁcation via Convolutional Deep Neural Network
本文发表在Proceedings of COLING 2014,这篇文章发表较早,值得借鉴的是局部特征和全局特征拼接进行分类处理的思路,其实在后续几NLP.CV领域的很多论文都有这种思路的体现,但是是 ...
自动驾驶轨迹预测论文阅读（二）TPNet: Trajectory Proposal Network for Motion Prediction
论文链接:https://openaccess.thecvf.com/content_CVPR_2020/papers/Fang_TPNet_Trajectory_Proposal_Network_f ...
【论文阅读｜深读】DRNE:Deep Recursive Network Embedding with Regular Equivalence
目录前言 ABSTRACT 1 INTRODUCTION 2 RELATED WORK 3 DEEP RECURSIVE NETWORK EMBEDDING 3.1 Notations and De ...
【论文阅读｜深读】LINE: Large-scale Information Network Embedding
目录前言 ABSTRACT 1. INTRODUCTION 2. RELATED WORK 3. PROBLEM DEFINITION 4. LINE: LARGE-SCALE INFORMATIO ...

最新文章

热门文章