经典视频超分论文总结1
本文总结一下PaperWithCode中VID4榜上的几篇超分论文。
相关的论文可以查看地址
经典视频超分论文总结1 https://blog.csdn.net/longshaonihaoa/article/details/120906670
经典视频超分论文总结2 https://blog.csdn.net/longshaonihaoa/article/details/121910411
经典视频超分论文总结3 https://blog.csdn.net/longshaonihaoa/article/details/121923207
经典视频超分论文总结4 https://blog.csdn.net/longshaonihaoa/article/details/121955797
经典超分论文总结5 https://blog.csdn.net/longshaonihaoa/article/details/122035149
1、Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution(BRCN, NeurIPS 2015)
https://proceedings.neurips.cc/paper/2015/file/c45147dee729311ef5b5c3003946c48f-Paper.pdf
https://proceedings.neurips.cc/paper/2015/file/c45147dee729311ef5b5c3003946c48f-Paper.pdf
首次提出使用双向循环卷积神经网络来处理多帧视频超分任务。
网络包含3个组件。1)前向卷积(黑色箭头)学习LR与HR之间的视觉空间独立性。2)循环卷积(蓝色箭头)通过连接连续帧的相邻隐藏层,对视频帧之间的长期时间依赖性进行建模,其中当前隐藏层在前一时间步的隐藏层上进行调节。前向反向均使用来充分利用时间动态。3)条件卷积(红色箭头)将上一时间步的输入层连接到当前隐藏层,使用以前的输入提供长期上下文信息。
隐藏层 网络使用两层隐藏层,表示为:
Xi为输入,Xi+1 相邻帧,Hi+1相邻帧的隐藏层,W权重,B偏置。激活函数为ReLU
输出层 结合了正向反向 条件卷积和前向卷积的输出和偏置,公式如下:
损失函数 MSE loss
2、Image Super-Resolution Using Deep Convolutional Networks(SRCNN,TPAMI2015)
何凯明、汤晓鸥两位大佬的巨作,据说是开创DNN用于图像重建的先河。网上资料巨多,我鹦鹉学舌简单讲讲。
2. 1、网络结构
网络如上图所示,包含三层卷积。分别叫 Patch extraction and representation(块析出与表示)、Non-linear mapping(非线性映射)、Reconstruction(重构)
Patch extraction and representation:对输入图像进行特征提取,卷积+ReLU,ks=9 x 9 c = 64
Non-linear mapping:特征非线性映射,卷积+ReLU,ks=1 x 1 c = 32
Reconstruction:特征重建,生成高分辨率图像,卷积,ks=5 x 5 c = 1
最后c=1是因为只采用Y通道进行重建。
2.2 损失函数 MSE
3、Deep Back-Projection Networks For Super-Resolution(DBPN,CVPR2018)
论文是这么想的:原来的超分要么是a)直接把图像差值到HR大小。 b)最后阶段上采。c)慢慢分几次上采。作者说 你们太单调了,让我们一会上采一会下采。于是提出了以下两组上采和下采的结构。
第一组左边,用于DBPN的上采下采模块
第二组右边,用于Dense-DBPN的上采下采模块
所以将第一组嵌入图1的(d)就是DBPN。将第二组模块嵌入下面的网络,得到Dense-DBPN。
其中DBPN包含S,M,L三种网络,分别对应t=2,t=4,t=6。所以主体结构基本看图就可以了解了。
4、Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network(ESPCN, CVPR2016)
SISR工作,本文比论文3更早。他说你们现在超分都是开始就先上采,然后再重建,所以你们的操作都是在HR空间进行的,但是这样速度太慢了。因此我们直接在LR空间一直卷卷卷,最后再上采好了,这样速度多快。
更重要的是,本文首次提出了一个亚像素卷积层 (sub-pixel convolutional layer)。在网络最后的输出RxR通道,然后重排成RxR尺寸
我就喜欢这种凭空创造点新玩意的创新,膜拜一波
损失函数: MSE
5、Real-Time Video Super-Resolution with Spatio-Temporal Networks and Motion Compensation(VESPCN,CVPR2017)
论文地址: https://arxiv.org/pdf/1611.05250v2.pdf
代码地址:GitHub - JuheonYi/VESPCN-PyTorch
VSR的工作。看看这名字,比4的ESPCN只多一个V。本文主要是说,SISR不能利用帧间的时序信息,但是其他人利用时序信息又速度太慢。让我来,即利用时序信息,又能满足实时性的要求。
5.1 动量补偿
咱先学习一下这个文章最难搞懂的地方,就是开始对输入进行的Warp操作。该操作图示为
首先一个网络估计粗糙的光流,并生成粗糙的目标帧,这两个再和原始两个帧输入网络,得到精细的光流,和粗糙光流一起得到最后的帧。这个估计光流的网络结构如下:
网络的损失函数 Huber loss, MSE
warp的实现如下。关于这个grid_sample函数可以看这篇知乎文章,讲解的超级详细。
def warp(self, img, flow): img_compensated = torch.nn.functional.grid_sample(img, (-flow.permute(0,2,3,1)+self.identity_flow).clamp(-1,1), padding_mode='border') return img_compensated
5.2 时序
空间的有了,咱继续搞搞时空相关性(spatio-temporal correlations)。这里作者对比了early fusion,slow fusion,3D convolution三种。
结果如下表所示,其中SF为单帧,E5为5帧图像早期融合,S5为5帧图像慢速融合,S5-SW为5帧图像3D卷积。可以看出早期融合效果最好。
6、 Deep Video Super-Resolution using HR Optical Flow Estimation(SOF-VSR, TIP2020)
书接上回,咱说了很多论文考虑在LR空间做还是HR空间做SR,或者HR-LR空间互换对图像做SR。这篇论文说,你看你图片在HR,但是你光流是在LR,这怎么能匹配呢?因此通过一个网络将光流也超分到HR空间,这不就可以了嘛!所以名字就叫HR光流估计。
6.1 贡献点
1)将光流和图像的HR合并到一个SOF-VSR net,对光流的SR可以对图像的SR有帮助
2)提出OFRnet得到HR光流,用一种coarse-to-fine的方式
3)SOTA
6.2 整体架构
看图学论文,基本上大体架构看上图就能了解。说一点细节。
1)图中每个经过OFRnet输出的HR光流C=2,即分别为X,Y轴运动,详见上篇中论文5对Warp的部分。对应的经过Space2depth后得到的Flow cube就有2*S*S,S为放大尺寸。
2)每次输入图像为T=2*N+1帧,即包含N帧前面的,N帧后面的,1帧中间预测的。图示为N=1的情况。
3)得到的Draft cube包含2*S*S*N(N帧前面的图像生成的Flow cube经过动量补偿后结果) + 1 (中间帧) + 2*S*S*N(后面的)
4)SRnet输出结果通道为1,因为在输入时将RGB转到YCbCr通道,并只是用亮度维作为输入。
6.3 OFRnet
文章通过OFRnet得到HR光流,虚线部分共享权重,采用循环思想对相同网络多次训练。
1)Level1:F初始化全0; I 为降采的图像 ;三个残差block包含channel split,channel shuffle,depth-wise Conv;第一个卷积C=320, 第二个C=2; 上采使用线性插值
2)Level2:比Level 1多了warp,其余相同
3)Level3: 多了三个卷积Block,sub-pixel Conv 上采
6.4 损失函数
1)超分监督:MSE
2)OFRnet监督:
对每层warp后的结果与中间帧做L1 loss,同时对光流进行L1 正则化限制其平滑度。
经典视频超分论文总结1相关推荐
- 经典视频超分论文总结2
书接上回,咱继续写paperwithcode中VID4排行榜上的论文 相关的论文可以查看地址 经典视频超分论文总结1 经典视频超分论文总结2 经典视频超分论文总结3 经典视频超分论文总结4 经典超分论 ...
- 经典视频超分论文总结4
继续看论文,感觉头发都要掉完了,哭== 这次写paperWithCode上vid4榜首的两篇论文 相关的论文可以查看地址 经典视频超分论文总结1 经典视频超分论文总结2 经典视频超分论文总结3 经典视 ...
- real-word super resulution: real-sr, real-vsr, realbasicvsr 三篇超分和视频超分论文
real-world image and video super-resolution 文章目录 real-world image and video super-resolution 1. Towa ...
- Real-Time Video Super-Resolution with Spatio-Temporal Networks and Motion Compensation论文解析(视频超分)
Real-Time Video Super-Resolution with Spatio-Temporal Networks and Motion Compensation论文解析(视频超分) 论文可 ...
- 【论文解读】传统图像处理与深度学习又一结合:时空多尺度非局部自相似集成视频超分...
作者丨Happy 编辑丨极市平台 导读 本文将传统图像处理中的自相似性.金字塔等思路与深度学习相结合进行视频超分,得到了SOTA指标,并为传统图像处理思路与深度学习提供了一个新的结合点.>> ...
- 超分论文笔记2020CVPR视频超分:Zooming Slow-Mo- VSR with Temporal Group Attention-TDAN
Space-Time Video Super-Resolution (STVSR) 问题定义: 从一个低像素低帧率恢复出高帧率高分辨率的视频. 1.Zooming Slow-Mo: Fast and ...
- 在Vid4上突破28dB大关!视频超分新的里程碑:IconVSR
BasicVSR:The Search for Essential Components in Video Super-Resolution and Beyond BasicVSR:在视频超分组件上的 ...
- 图像超分论文阅读列表 super_resolution_paper_lists
文章目录 1. Up-sample operation Real-Time Single Image and Video Super-Resolution Using an Efficient Sub ...
- 一点就分享系列(理解篇_4+实践篇_2)”干货-全网最简且全”的理解!2020年了!您只知道GAN?ECCV超分论文“IRN” 全家桶大放送!!
一点就分享系列(理解篇_4+实践篇_2)"最新干货"--2020 ECCV 超分论文之一"IRN"(更新中..) 最近开始了csdn坚持原创之旅,目前到了理解篇 ...
最新文章
- 【SSM框架系列】SpringMVC的请求和响应
- Thymeleaf页面三元运算符
- LeetCode 934. 最短的桥(2次BFS)
- Mysql写入数据时,adapter 日志报ES连接错误
- 可以进行单元测试么_为什么程序员都讨厌写单元测试?有一个词叫“相爱相杀”!...
- mysql从库数据源_SoapUI Pro教程:如何使用MySQL服务器作为数据源-从MySQL数据库获取数据...
- strcpy会覆盖原来的吗_你真的会挂单吗?原来“集合竞价”10分钟竟然隐藏这么多秘密,看懂这些细节,直接精准判整日走势...
- SaltStact自动化运维工具03
- ASP.NET读取XML文件
- java中文手册下载,22年最新
- 测试英语小软件,儿童学英语软件哪个好,亲测这四款很不错
- 【实习周报】2019年6月 前端开发实习工作周报汇总
- note_14:excel 2016学生版遇到的某些问题
- HAUT OJ 1475: cxk下棋
- 【洛谷 2888】牛栏
- 微软电脑管家登陆微软商店 简单无打扰 支持杀毒和垃圾清理等
- 深度精简版xp 安装并使用iis
- 前端面试总结——http、html和浏览器篇
- OKR 如何彻底激发员工积极性,挑战不可能?
- 入门训练圆的面积_入门
热门文章
- mysql怎么修改表的列名字_修改表列名-怎么修改数据库表的列名-mysql修改表的列名...
- 申请AI方向研究型博士、硕士指南
- 01.02 Spring IOC
- Linux下进程间通信--共享内存:最快的进程间通信方式
- USB总线-Linux内核USB3.0设备控制器之UDC驱动分析(六)
- iOS修改ipa并重新签名打包
- Centos7安装watchman编译不通过
- 美女体验小米无人机4K版:直接解锁新手模式
- 如何增加文档的易读性
- Jekyll 运行的时候提示错误 cannot load such file -- webrick (LoadError)