用于单图像超分辨率的增强深度残差网络
文章转自(带图):http://bbit.vip/service/main.php?version=1&type=article&id=92
- 介绍
本文通过优化删除了传统剩余网络中不必要的模块,取得了相对于传统模型先显著的性能增强。在稳定训练过程的同时,通过扩展模型的大小进一步提高了性能。本文还提出了一种新的多尺度深度超分辨率系统(MDSR)和训练方法,可以在单一模型中重建不同尺度的高分辨率图像。
2.材料和方法
2.1残差块
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MfpaebrG-1602214446398)(SR 4F2.png)]
移除了batch normalization 层,在他们的图像去模糊工作中,由于批处理归一化层对特征进行归一化,它们通过对特征进行归一化消除了网络的范围灵活性,因此最好将其去除。作者通过实验证明,这个简单的修改大大提高了性能。
作者用图2中提出的残差块构建我们的基线(单尺度)模型。该结构类似SRResNet[14],但是我们的模型在剩余块之外没有ReLU激活层。此外,的基线模型没有剩余缩放层,因为只对每个卷积层使用64个特征地图。在最后的单尺度模型(EDSR)中,通过设置B = 32, F = 256和比例因子0.1来扩展基线模型。模型架构如图3所示。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JJM5Bfey-1602214446402)(SR 4F3.png)]
在对模型进行上采样因子×3和×4的训练时,使用预先训练好的×2网络对模型参数进行初始化。这种预训练策略加速了训练,提高了最终的性能,如图4所示。对于升级4,如果使用一个预先训练好的scale × 2模型(蓝线),训练的收敛速度比从随机初始化开始的(绿线)快得多。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ye1aYTii-1602214446403)(image-20200810212310793.png)]
3.3多尺度模型
多尺度的超分辨率是相互关联的任务,作者通过构建一个多尺度的体系结构来进一步探索这一思想,该结构像VDSR[11]一样利用了尺度间的相关性。设计的多尺度模型只有一个主分支,其中有B = 16个残差块,这样可以在不同尺度上共享大部分参数,如图5所示。在的多尺度架构中,作者引入了特定的处理模块来处理多尺度下的超分辨率。首先,预处理模块位于网络的前端,减少不同尺度输入图像的方差。每个预处理模块由两个5×5核的残块组成。采用较大的核作为预处理模块,可以在网络早期覆盖较大的接受域的同时,保持特定尺度的部分较浅。在多尺度模型的最后,将特定尺度的上采样模块并行放置,进行多尺度重构。上采样模块的架构类似于前一节中描[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uKLZT0uw-1602214446407)(SR 4F5.png)]述的单尺度模型。
3.结果和讨论
作者在DIV2K、 Set5 , Set14 , B100, 以及Urban100数据集上进行了测试
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-b7PeCO4f-1602214446410)(image-20200810212425774.png)]
结果对比
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3yoiSs31-1602214446412)(image-20200810212510202.png)]
…(img-3yoiSs31-1602214446412)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vSiePzSo-1602214446414)(image-20200810212527278.png)]
用于单图像超分辨率的增强深度残差网络相关推荐
- 用于单图像超分辨率的对偶回归网络,达到最新SOTA | CVPR 2020
作者 | Yong Guo, Jian Chen等 译者 | 刘畅 出品 | AI科技大本营(ID:rgznai100) 通过学习从低分辨率(LR)图像到高分辨率(HR)图像之间的非线性映射函数,深度 ...
- 深度学习在单图像超分辨率上的应用:SRCNN、Perceptual loss、SRResNet
单图像超分辨率技术涉及到增加小图像的大小,同时尽可能地防止其质量下降.这一技术有着广泛用途,包括卫星和航天图像分析.医疗图像处理.压缩图像/视频增强及其他应用.我们将在本文借助三个深度学习模型解决这个 ...
- 【超分辨率实验】Matlab-使用深度学习的单图像超分辨率(Single Image Super-Resolution Using Deep Learning)
[超分辨率实验]Matlab-使用深度学习的单图像超分辨率(Single Image Super-Resolution Using Deep Learning) 此示例演示如何训练非常深的超分辨率 V ...
- 图像纹理合成_EnhanceNet:通过自动纹理合成实现单图像超分辨率
图像纹理合成 In 在 背景 (Background) In Single Image Super-Resolution, objective metric-based (like Mean Squa ...
- 单图像超分辨率重建示例代码解析
昨天发了单图像超分辨率重建示例,今天来对里面主要的Python代码进行讲解,如果有补充或指正,欢迎大家在评论区留言.PS:这里的代码不要直接复制粘贴使用,由于注释的关系可能会报错,建议到示例给出的gi ...
- 使用生成对抗网络的照片真实单图像超分辨率(SRGAN)
使用生成对抗网络的照片真实单图像超分辨率(SRGAN) 文章系做实验时所需,翻译 文章目录 使用生成对抗网络的照片真实单图像超分辨率(SRGAN) 摘要 一.前言 二.贡献 三.特点 总结 摘要 提出 ...
- 单图像超分辨率重建示例
代码的解析已经给出,现在补上:单图像超分辨率重建示例代码解析 目录 一.简介 二.前期准备 三.运行程序 四.参考目录 一.简介 图像超分辨率重建技术就是利用一组低质量.低分辨率图像(或运动序列)来产 ...
- WDSR(NTIRE2018超分辨率冠军)【深度解析】
s超分辨率(super-resolution)的通俗解释就是:将低分辨率的图像通过算法转换成高分辨率图像.听起来似乎很神奇,这样是不是可以把低清电影转换成高清了?就现在来看,基于深度学习的超分辨率(简 ...
- FFA-Net: Feature Fusion Attention Network for Single Image Dehazing (AAAI 2020)用于单图像去叠的特征融合注意力网络
用于单图像去叠的特征融合注意力网络 https://arxiv.org/pdf/1911.07559.pdf Xu Qin1*Zhilin Wang2∗Yuanchao Bai1Xiaodong Xi ...
最新文章
- 一个雷达和摄像头融合的3D目标检测方法CenterFusion
- 转:C#使用Log4Net记录日志
- shell实例第13讲:从FTP服务器下载文件
- ESP32连接亚马逊你不得不知道的坑
- Angular:where does watchers in scope come from
- 2021,你好哇!发个小红包可好~
- 惊现“鬼影”!iPhone 11系列夜景拍照频频翻车
- python制作的游戏如何转化为swf_PYTHON实现swf提取
- 单片机外文参考文献期刊_单片机_英文参考文献..doc
- m3u8在线播放接口附成品
- C语言水电管理系统,小区水电费管理系统C语言.doc
- 免费谷歌学术、知网、维普、scihub镜像
- char在c语言中的意思(char在c++中的意思)
- USB VID和PID
- PyTorch学习系列教程:构建一个深度学习模型需要哪几步?
- 树莓派桌面多出个计算机,树莓派|计算机实验室之树莓派:课程 9 屏幕04
- MATLAB中安装YALMIP及CPLEX详细步骤
- git同步本地与远程代码命令
- 2003年我收集的一些知名blog
- shell脚本学习笔记一