LapSRN 超分辨率
文章全名: Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution
论文下载地址: https://pan.baidu.com/s/1nva9off
code:https://github.com/phoenix104104/LapSRN
该篇论文是2017 CVPR的 可以算是最新的一个超分辨率的论文了 废话不多说 看下论文是怎么做的吧
传统的超分辨做法有一些共同之处,首先是L2 loss函数,其次,使用特定尺寸的图片输入(VDSR除外),最后,都是输入到结果,无中间的超分辨率结果
论文先指出了传统SR(super resolution)做法中的一些问题:
1.现有方法可以处理各个尺寸的低分辨率图片,利用线性插值 将输入图片转为指定尺寸,这一步骤增加了人为噪声
2.使用L2 loss函数不可避免的产生模糊的预测,因为L2 loss函数不能找到由低分辨率LR到高分辨率HR的潜在的多模态分布,在这里作者做了一个解释:例如,一个低分率的patch可能对应多个高分率的patch,采用L2 loss使得重构结果过度平滑,不符合人类视觉
3.传统作法无法产生中间的输出结果
于是,针对传统做法的问题,论文做了一些改进
该篇论文的创新点:
1.级联结构(金字塔结构):网络有两个分支,1个是特征提取分支,1个是图像重构分支
图中,蓝色箭头表示上采样,绿色箭头表示element-wise addition operator
由图中可见,网络结构为级联结构,个别层有两个箭头输出,向下的箭头表示表示每次上采样到一定程度,即将学习到的残差结果输出,得到对应的重构图像,向右的箭头表示同时继续上采样
与VDSR不同的是,该网络是逐步学习,而不是像其他网络一样只有一个输出,通过级联学习,输出不同scale的残差,得到对应scale的重构结果,一步步得到最终结果
2.提出一种新的loss函数,
其中,x表示LR图像,y表示HR图像,r表示残差,s表示对应的level,也就是scale
在level s下,期望的HR输出为ys=xs+rs;
用线性插值 将HR图像y imresize为 对应大小的ys
该loss函数并非如传统L2 loss函数,而是如图中所示
N是每个batch中的图片数量,L为金字塔结构的level数量
说到这里,或许大家都有点迷糊,这个loss与传统的L2 loss究竟有什么区别,其实,新的loss函数类似于HED(Holistically-Nested Edge Detection)的loss,每个阶段,也就是每个level都有一个对应的loss,训练过程中的目的是将各个level的loss的和降低,如下图所示
看到这里,如果看过HED的都觉得似曾相识吧,确实,与HED的区别在于,HED的各个level的GT(ground truth)都是同一个size,也就是与该层的输出大小不一致,但是,在这里做了一个优化,通过bicubic差值将HR ground truth imresize成对应level大小的GT来计算loss,下面附上一个HED的图,HED与LapSRN的loss的区别刚才已经说的很清楚了
关于HED,打一个小广告,我有两篇关于HED代码运行的博客,如果需要可以参考下
HED代码运行问题解决方法:http://blog.csdn.net/wangkun1340378/article/details/59472149
HED测试单张图片示例:
http://blog.csdn.net/wangkun1340378/article/details/70154492
总览:其实就是论文里的两个图
下图显示了LapSRN与已有的超分辨率网络结构
下表显示了各个网络的配置
其实,这篇论文的创意很好,基于已有的网络,进行了一些优化,采取新的loss,采用级联结构而非一口吃个胖子,逐步优化,取得了很好的结果
超分辨率其实是老生常谈了,SRCNN,FSRCNN,VDSR,DRCN等等,近几年的超分辨率论文真是层出不穷,
不过现在的论文基本上都是有一个共同之处(个人感觉):
1.加深的网络结构,使得最后几层拥有更大的感受野,从而根据更大的区域获得更多的信息进而去推断目标区域像素
2.更深的结构为梯度传播带来困难,所以采取 并非直接得到HR图像结果,而是得到残差,通过残差学习来化解这个问题
以上就是小生对该论文的见解,如有不当之处欢迎指摘
LapSRN 超分辨率相关推荐
- 图像超分辨率算法:CVPR2020
图像超分辨率算法:CVPR2020 Unpaired Image Super-Resolution using Pseudo-Supervision 论文地址: http://openaccess.t ...
- 小米开源FALSR算法:快速精确轻量级的超分辨率模型
作者 | 周强(我爱计算机视觉).刘畅 编辑 | Jane 出品 | AI科技大本营 这是来自小米最新出炉的论文,使用神经架构搜索技术自动确定超分辨率网络模型,取得了又快又好的效果,模型已开源,非常赞 ...
- 利用OpenCV实现基于深度学习的超分辨率处理
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 OpenCV是一个非常强大的计算机视觉处理的工具库.很多小伙伴在入 ...
- 普通视频转高清:10个基于深度学习的超分辨率神经网络
原文:http://www.tinymind.cn/articles/1176 在 AlphaGo 对弈李世石.柯洁之后,更多行业开始尝试通过机器学习优化现有技术方案.其实对于实时音视频来讲,对机器学 ...
- 图像超分辨率近两年几篇优秀论文及代码
最近看了很多图像超分辨率方面的文章,所以做一个总结,希望对大家有所帮助.所列出的文章都是很好的文章,其中包括一些顶级会议:CVPR,ICCV,ECCV等.其中有代码的我会给网址,还有的代码不公布.最后 ...
- 【图像超分辨率】Deep Learning for Multiple-Image Super-Resolution
Deep Learning for Multiple-Image Super-Resolution 摘要 I. 引言 A. 相关工作 B. 贡献 II. 提议的EVONET算法 III. 实验 IV. ...
- 【图像超分辨率】Image Super-Resolution by Neural Texture Transfer
Image Super-Resolution by Neural Texture Transfer 摘要: 1.引言 2 相关工作 2.1 基于深度学习的SISR 2.2基于参考的超分辨率 3. 方法 ...
- 【图像超分辨率】Multi-scale Residual Network for Image Super-Resolution
Multi-scale Residual Network for Image Super-Resolution 摘要 1 介绍 本文对应的解决方案 本文的贡献 2 相关工作 2.1 单图像的超分辨率( ...
- 深度学习超分辨率综述阅读笔记(翻译)
深度学习超分辨率综述阅读笔记(翻译) https://arxiv.org/abs/1902.06068 摘要:图像超分辨率(SR)是计算机视觉中增强图像和视频分辨率的一类重要图像处理技术.近几年来,图 ...
- 【图像超分辨率重建】——HAN论文精读笔记
2020-Single Image Super-Resolution via a Holistic Attention Network(HAN) 基本信息 作者: Ben Niu; Weilei We ...
最新文章
- 1.3MB的超轻YOLO算法!全平台通用,准确率接近YOLOv3,速度快上45%丨开源
- 交叉验证 Cross-validation
- 【独立游戏】黎明之刃——3D硬核ARPG游戏
- php冒泡排序和快速排序笔记
- 【SpringCloud】第五篇: 路由网关(zuul)
- ThinkPHP中的find和select的区别
- excel中如何对矩阵得对角线进行求和_如何利用图卷积网络进行图形深度学习(第2部分)...
- 3-4numpy聚合操作和arg(索引)运算和排序
- ibatis.net 学习笔记
- Atitit 微服务 分布式 区别 微服务的判断标准 目录 1.1. 区别 微服务侧重于微小服务进程隔离级别,分布式侧重于机器隔离	1 2. 微服务是一种架构, 。多微才叫微?	1 2.1. 微服务
- oracle14 jar的pom,MyEclipse环境下如何采用Maven导入ojdbc14.jar和ojdbc6.jar | 贝壳里的海...
- kali2021安装sougou输入法
- 解析:Python就业方向有哪些?
- 让SageMath方便使用的若干方法
- 计算机网络 之 P2P架构
- java 之DelayQueue实际运用示例
- 金错刀对话口袋购物王珂:找到痛点,确认卖点,制造爆点!
- PS仿制图章工具、油桶工具、渐变
- Eureka的InstanceInfoReplicator类(服务注册辅助工具)
- uc保存网页html,UC浏览器怎么保存网页