本期周刊，我们选择了9篇预训练相关的论文，涉及文本语音转换、傅立叶变换、BERT训练方法、中文表示、隐式知识存储、图像超分辨率

1超分辨率重建技术的研究背景与意义图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。但在实际上中，受采集设备与环境、网络传输介质与带宽、图像退化模型本身等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成

摘要:近年来有不少基于深度学习的单幅遥感图像超分辨率重建方法，虽然在超分辨率的各项指标上都有所提升，但通过人眼观察的超分辨率效果却仍不明显.此前方法在制作低分辨率图像过程中采用的降采样会带来部分信息损失

#-*-coding:utf-8-*-"""SpyderEditorThisisatemporaryscriptfile."""importnumpyasnpimporttensorflowastffromkerasimportlayersfromkeras.layersimportInput,Add,Dense,Activation,ZeroPadding2D,BatchNormalizatio

目标访问像素值并修改它们访问图像属性设置感兴趣区域(ROI)分割和合并图像本节中的几乎所有操作都主要与Numpy相关，而不是与OpenCV相关。要使用OpenCV编写更好的优化代码，需要Numpy的丰富知识。(由于大多数示例都是单行代码，因此示例在Python终端中显示)访问和修改像素值加载彩色图像：>>>importnumpyasnp>>>importcv2ascv>>>img=cv.imrea

使用MMEditing进行图像超分辨率使用MMEditing进行图像超分辨率安装MMEditing使用预训练模型完成推理查找并下载预训练模型调用API构建模型调用API进行推理分析图像恢复效果使用自定义的数据集微调模型准备训练数据对应修改配置文件启动训练使用微调后的模型完成推理使用

作者引入Swin-T结构应用于低级视觉任务，包括图像超分辨率重建、图像去噪、图像压缩伪影去除。SwinIR网络由一个浅层特征提取模块、深层特征提取模块、重建模块构成。

基于飞桨复现SRGAN模型，对图像进行超分辨率重构一种用于图像超分辨率（SR）的生成对抗网络（GAN），能够推断4倍放大因子的照片般逼真的自然图像。

论文信息：Title：LearningTextureTransformerNetworkforImageSuper-Resolution（用于图像超分辨率的学习纹理transformer网络）Writers

这篇文章的网络结构和写作手法和RDN都非常相似，然后一看作者就是同一批。这篇文章是EDSR的一个加强版，也是RDN的姊妹版（把RDN的DenseBlock换成了ResBlock）当然这篇文章中提出了新的通道注意力机制CA。论文链接：RCAN:ImageSuper-ResolutionUsingVeryDeepResidualChannelAttentionNetworksEDSR:Enhanced

因为我是语义分割方向，对图像超分辨率不了解，这里简单记录一下读论文的收获。论文地址超分辨率的输入是低分辨率，最终恢复超分辨率图片。

本文总结了近年来在基于深度学习的图像超分辨率论文中使用过的损失函数，欢迎补充。1.L1损失L1损失，也被称为最小绝对偏差（LAD），最小绝对误差（LAE）。计算的是实际值与目标值之间绝对差值的总和。

Flow-basedKernelPriorwithApplicationtoBlindSuper-Resolution摘要核估计通常是盲图像超分辨率（SR）的关键问题之一。

LearningaDeepConvolutionalNetworkforImageSuper-Resolution代码下载：https://github.com/tegg89/SRCNN-TensorflowECCV20140.知识图像超分辨率重建技术

SRGAN一种用于图像超分辨率(SR)的生成对抗网络(GAN)超分辨率：从低分辨率(LR)图像来估计其对应高分辨率(HR)图像的高挑战性任务被称作超分辨率(SR)问题：重建的SR图像中通常缺少纹理细节。

##作者：韦访#博客：https://blog.csdn.net/rookie_wei#微信：1007895847#添加微信的备注一下是CSDN的#欢迎大家一起学习#1、概述之前的博客都是讲在python上怎么用tensorflow，那么，现在就来说说怎么将训练好的模型移植到安卓上。为了照顾不会安卓APP开发的童鞋，我将分为两讲，第一讲就是纯粹的python开发，主要是介绍怎么转换和验证模型。第二

1.摘要尽管使用更快、更深的卷积神经网络的单图像超分辨率在准确性和速度上取得了突破，但一个核心问题仍在很大程度上未得到解决：当对较大的升级因子进行超分辨率时，我们如何恢复更精细的纹理细节？

图像超分辨率重建技术图像超分辨率重建技术指的是借由特定的算法和处理流程，从给定的低分辨率图像中复原出高分辨率图像的过程，我们采用了SRGAN的模型来执行图像超分辨率重建的任务生成对抗网络GAN生成对抗网络

DAN的原作者，中科院自动化所的团队。文章中心思想：通过建模一个随机退化模型，让HR随机退化到LR图像。LR图像与测试的real图像做GAN来区分是否是一个域的分布（对抗损失），如果不是，则返回重新生成LR图像，如果是，则进入SRmodel去生成SR图像（L1损失）。一句话：通过学习怎么生成真实图像的分布，合成大量的符合真实图像分布的训练样本。从而在测试真实图像时能够有很好的效果。摘要合成高分辨率

ATextAttentionNetworkforSpatialDeformationRobustSceneTextImageSuper-resolutiongithub:https://github.com/mjq11302010044/tattAbstract场景文本图像超分辨率旨在提高低分辨率图像中文本的分辨率和可读性

学习盲图像超分辨率的退化分布文章目录学习盲图像超分辨率的退化分布摘要前言2、相关工作基于预定义的退化基于学习的退化3、学习退化过程的分布3.1核模型3.2噪声模型3.3概率退化模型3.4盲SR统一的框架

CVPR2022去噪+超分去噪图像复原/去噪/增强CVPR2022去噪+超分去噪DeepConstrainedLeastSquaresforBlindImageSuper-Resolution(用于盲图像超分辨率的深度约束最小二乘

摘要本文提出了一种改进的退化模型和两个新的模型来解决盲图像超分辨率问题。该方法继承了盲SR的一般方法，改进了核估计方法和基于核的高分辨率图像恢复方法（PS：仍然是基于模糊核估计+非盲S

图像超分辨率网络：EDSR代码地址：https://github.com/fengye-lu/EDSR-PyTorch-master一.前言图像超分辨率（SR）问题，特别是单图像超分辨率（singleimagesuper-resolution

HierarchicalNeuralArchitectureSearchforSingleImageSuper-Resolution单幅图像超分辨率的层次神经结构搜索《IEEESignalProcessingLetters

TrilevelNeuralArchitectureSearchforEfficientSingleImageSuper-Resolution高效单幅图像超分辨率的三层神经架构搜索摘要使用深度神经网络的单图像超分辨率

后两种方法通常被称为图像超分辨率和图像补全。存在着低质量输入图像分辨率不足、区域缺失的复杂情况。在本文中，我们提出了一

图像超分辨率[CVPR2016]-VDSR-PyTorch代码复现前言：跑源码遇到的问题PSNR(图像峰值信噪比)vdsr.py中参数对卷积参数的初始化用91张图片数据集训练的结果后记：前言：ImplementationofCVPR2016Paper

DeepLearningforMultiple-ImageSuper-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.结论摘要超分辨率（SR）重建是一个旨在提高图像空间分辨率的过程，可以是基于低分辨率和高分辨率之间的学习关系的单一观测，也可以是呈现同一场景的多个图像。如果不能以期望的分辨率获取图像，而有单个或多个低分辨率的观测数据，那么SR就特别重

MSAN：Scene-AdaptiveRemoteSensingImageSuper-ResolutionUsingaMultiscaleAttentionNetwork摘要I介绍III.方法A.用于遥感图像超分辨率的

RemoteSensingImageSuper-resolution:ChallengesandApproaches遥感图像超分辨率的挑战和方法1摘要2遥感观测模型3遥感中的SR模型3.1基于学习的SR

对于遥感图像的超分辨率，本文提出了一种自适应多尺度特征融合网络（AMFFN）。AMFFN可以直接从原始低分辨率图像中提取密集特征，而无需任何图像插值预处理。串联几个自适应多尺度特征过滤块（AMFE），以自适应地提取遥感图像的高频详细特征信息。AMFFN的主要贡献包括：针对遥感图像的超分辨率引入了一种自适应多尺度特征融合网络，可以自适应地提取多尺度特征信息；集成了挤压激励模块（Squeeze-and

本文实现了浅层CNN和深层CNN的集合，并提出了多尺度特征提取和关注块（MSFEAAB），以更好地同时从LR图像中提取低频和高频信息。为了抑制由于解卷积层导致的棋盘问题，采用像素解卷积来对特征图进行升标。提出了一个多尺度特征提取和注意力块（MSFEAAB），包括三个主要步骤。(一)特征提取，(二)向上缩放，(三)图像重建。在特征提取步骤中，采用多尺度特征提取后的注意力模块，以更高效地学习卷积滤波器

文章目录前言一、SRGAN1.训练步骤2.生成器3.判别器二、其他准备1.数据读取2.VGG19提取特征4.训练过程代码5.预测过程参考链接前言SRGAN网络是用GAN网络来实现图像超分辨率重建的网络。

基于深度学习的遥感图像超分辨率重建技术综述摘要部分基于深度学习的遥感图像超分重建方法分成三大类单幅遥感图像超分重建最好的是基于GAN的方法方法：基于多尺度特征提取的方法结合小波变换的方法沙漏状生成网络的方法边缘增强网络的方法可跨传感器的方法多幅遥感图像超分重建超分效果不佳

有监督的深度学习遥感方法基于CNN的遥感SR方法2015年，Dong等首次使用卷积神经网络进行超分辨率重建。因为深度卷积神经网络在实现端对端的全局最优求解和性能上表现优越。DONGC，LOYCC，HEK，etal.Imagesuper-resolutionusingdeepconvolutionalnetworks[J].IEEETransactionsonPatternAnalysisandMa

SSIM（structuralsimilarityindex）由于最近在阅读图像超分辨率方面的RCAN论文，里面涉及到了两幅图像之间的相似性，所以就引入了这个指标，并最终使用pyhton进行实现。

跨尺度特征融合损失函数重建损失对抗性损失感知损失出处2020IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR)贡献1.提出了一种包含四个密切相关模块的纹理转换器，用于图像超分辨率重建

2.1图像超分辨率超分辨率（SuperResolution，SR）是从给定的低分辨率(LR)图像中恢复高分辨率(HR)图像的过程，是计算机视

Paper：UnpairedImageSuper-ResolutionusingPseudo-SupervisionAbstract在大多数基于学习的图像超分辨率（SR）研究中，成对的训练数据集（LR-HR

关注公众号，发现CV技术之美作者单位：苏黎联邦理工、鲁汶大学论文：https://arxiv.org/pdf/2108.05302.pdf代码：https://github.com/JingyunLiang/MANet编者言：作者从模糊核的空间可变性的角度出发，提出了每帧多核的核估计方案MANet，通过限制感受野并使用增强了表达能力的MAConv来完成盲超分。1看点现有的盲图超分算法假设模糊核在整

基于目标检测的海上舰船图像超分辨率研究人工智能技术与咨询来源：《图像与信号处理》，作者张坤等关键词:目标检测；生成对抗网络；超分辨率摘要:针对海上舰船图像有效像素在整体像素中占比小的问题，提出一种基于目标检测网络的超分辨率方法

本文介绍了三篇图像超分辨率重建在深度学习方面的文献目录一、SRCNN二、SRGAN三、ESRGAN一、SRCNN1.解决问题在CNN出现之前，传统超分方法是最临近插值、双线性或双三次插值等上采样方法。

⭕⭕目录⭕⭕✳️一、引言✳️二、最小二乘图像插值理论与Matlab处理✳️三、基于最小二乘插值超分辨重构实验验证✳️四、参考文献✳️五、Matlab程序获取与验证✳️一、引言图像超分辨率重构技术起源于上世纪

文章目录一、理论1.1认识GAN1.2GAN应用实例1.2.1图像超分辨率-SRGAN1.2.2去除马赛克-pix2pix1.2.3CycleGAN1.3GAN的优点1.4GAN的缺点二、原始GAN的网络结构

这篇是我之前的课程报告，格式传上来乱了，有时间我会调整，我先把pdf版本放在最前面，建议直接看pdf。一、定义与分类超分辨率复原技术的基本思想是釆用信号处理的方法，在改善图像质量的同时，重建成像系统截止频率之外的信息，从而在不改变硬件设备的前提下，获取高于成像系统分辨率的图像。超分辨率复原的概念广义上讲包含3种情况:1)单幅图像分辨率放大2)从多帧连续图像中重建超分辨率单帧图像；3)视频序列的超分

EnhancedDeepResidualNetworksforSingleImageSuper-Resolution摘要贡献：方法提出新的残差网络增加卷积通道数EDSR加入参数乘积层MDSR2017年NTIRE图像超分辨率重构大赛中

)论文下载地址：https://arxiv.org/abs/1707.02921作者提供的源码地址：https://github.com/LimBee/NTIRE2017韩国首尔大学研究团队提出的用于图像超分辨率任务的新方法

文章目录前言EDSR模型架构简介1、Conv层（卷积层）卷积层的作用：为什么卷积能够提取图像特征？补充，什么是模板？2、ReLU层激活函数的作用：为什么非要使用ReLU？3、Mult层（残差缩放层）4、ResBlock（残差块）5、为何去掉BN层（批处理规范化层）？6、UpSample（上采样，用于扩大图像像素）：参考资料前言1、首先此次超清重建（SR）使用的不是插值之类的传统方法，而是使用的深度

Real-TimeSingleImageandVideoSuper-ResolutionUsinganEfficientSub-PixelConvolutionalNeuralNetwork此前利用卷积神经网络(CNN)的图像超分辨率方法