上采样(upsampling)方法总结
总结一下上采样,主要来源于论文《Deep Learning for Image Super-resolution:A Survey》
- 上采样层位置
- 上采样方法
2.1预定义插值式
最近邻插值、双线性插值、双三次插值,效果和计算量逐个上升;虽然插值式上采样已没人用,但是下采样过程(数据准备从HRGT到LR)最常用的还是双三次。
基于插值的上采样方法只能通过图像的本身内容提高图像的分辨率,并没有带来更多信息,相反还有噪声放大、计算复杂度增加、结果模糊等副作用。
2.2 反卷积
由于反卷积是个端到端的操作而且效果还行,所以在论文中被相当广泛地采用,其缺点就是由于uneven overlapping导致的下图中的棋盘效应。
这是由于stride不能被卷积kernel size整除导致的。如下图,以一维信号举例(stride=2、size=3),上面黑白相间表示原始信号基础上进行了插0的expanding;下面表示反卷积的结果,第1和第2个块只接收到的非0信号只有上面的第一个黑块,第三个却能接收到两个黑块,导致其像素值过高,因此输出信号整体不均匀。
2.3 Sub-layer
原来是h * w * c,上采样倍数为s,sub-layer就是拿s * s个卷积核来卷,形成h * w * c * s * s的结果,再reshape成hs * ws *c。
与反卷积相比,子像素卷积具有更大的感受野,它提供了更多的上下文信息以帮助生成更多逼真的细节。然而,由于感受野的分布是不均匀的,并且块状区域实际上共享相同的感受野,因此可能会导致在不同块的边界附近出现一些伪影。另一方面,独立预测块状区域中的相邻像素可能会导致输出不平滑。
2.4 Meta Upscal Module
最新突出的一种上采样方法,第一个可进行任意倍率的上采样的模块。采用了元学习的思想,这个后续再详细介绍。来源于论文《Meta-SR: A Magnification-Arbitrary Network for Super-Resolution》
上采样(upsampling)方法总结相关推荐
- 反卷积(Deconvolution)上采样(Upsampling)上池化(Unpooling)的区别——附翻译
http://blog.csdn.net/u012949263/article/details/54379996 提供了英文版 Question: Deconvolution networks use ...
- 图像语义分割中的上采样(Upsampling)和下采样(subsampling)
图像语义分割中的上采样和下采样 1. 下采样(subsampled) 2. 上采样(upsampled) 2.1 线性插值 2.2 单线性插值 2.3 双线性插值 2.4 双线性插值举例 2.5 插值 ...
- PixelShuffle特征图的上采样的方法
PixelShuffle是一种上采样方法,可以对缩小后的特征图进行有效的放大.可以替代插值或解卷积的方法实现upscale PixelShuffle PixelShuffle(像素重组)的主要功能是将 ...
- 神经网络上采样的方法
文章目录 1. 应用背景 2. 上采样方法 参考内容 本内容包含上采样的简要介绍,不包含运算,详细运算细节可见参考内容3 1. 应用背景 一些操作中会涉及到将低分辨率图像采样为高分辨率图像 2. 上采 ...
- python图像下采样_图像的上采样(upsampling)与下采样(subsampled)
缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的有两个:1.使得图像符合显示区域的大小:2.生成对应图像的缩略图. 放大图像(或称为上采样(upsampli ...
- 到底什么是上采样、下采样
上采样 语义分割/实例分割等任务,由于需要提取输入图像的高层语义信息,网络的特征图尺寸一般会先缩小,进行聚合:这类任务一般需要输出于原始图像大小一致的像素级分割结果,因而需要扩张较小的特征图这就用到了 ...
- 深度可分离卷积、空洞卷积、反卷积、感受野计算、上采样
文章目录 输出特征图尺寸的计算 Depthwise卷积和Pointwise运算成本比较低 空洞卷积 反卷积 上采样 输出特征图尺寸的计算 Depthwise卷积和Pointwise运算成本比较低 如何 ...
- AAAI2021 大运动“视频超分辨”中的对偶子网与多阶通信上采样方案
关注公众号,发现CV技术之美 作者单位:西电.鹏城实验室 论文链接:https://arxiv.org/pdf/2103.11744.pdf 编者言: 视频超分辨率(VSR)任务中第一个设计对偶学习的 ...
- 深度网络中的上采样总结
一.上采样概述 在深度学习中,上采样是一种使图像分辨率变高的方法/技术. 目前有以下几种基本的上采样方法: 1. UpSample + Conv 1X1 2. ConvTransposed 3. Co ...
最新文章
- 手机GSM--SIM卡体系结构
- 文本分类入门(七)相关概念总结
- 大一python题库刷题训练_python实现合工大试题库自动刷题
- 10张让你大脑崩溃的图,敢接受挑战吗?
- ssh 配置文件中 maxsessions 与 MaxStartups
- 二.因子图优化学习---董靖博士在深蓝学院的公开课学习(2)
- JSPatch真强大!
- 聊聊一致性Hash在负载均衡中的应用
- deeplung代码实现测试是卡住情况说明
- 本地Navicat连接虚拟机MySQL
- paip.oracle query export to insert sql
- 七夕怕被偷窥?摄像头探测器来帮您!
- adams齿轮齿条怎么定义接触,直齿轮adams接触(碰撞)仿真分析
- PHP判断访客是否移动端浏览器访问的四种方法
- Dell 服务器阵列扩容【经验分享(转)】
- Mysql的BufferPool与Free、Flush、Lru链表
- 《日瓦戈医生》读后感
- 关于周杰伦的歌曲的启发
- 轻松识别文字,这款Python OCR库支持超过80种语言
- 导向滤波算法 java_一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法与流程...
热门文章
- vs如何把c语言编译成静态库,VS中Debug和Realease、及静态库和动态库的区别整理(转)...
- VS 属性页面中Debug、Realease多线程调试
- joycon 连不上_任天堂承认Switch左边Joy-Con手柄有连接问题,但已经修复
- 四、对select下拉框的处理需要标签为tagName为select的标签才方便进行操作
- Deepfake安装调试心得
- Pytorch_YOLOv3调试碰到的问题
- Centos7安装Beanstalkd
- splice()方法的使用介绍
- 【Python_Scrapy学习笔记(十三)】基于Scrapy框架的图片管道实现图片抓取
- 邮件发送--局域网中配置James邮件服务器(二)