【HAT】 Activating More Pixels in Image Super-Resolution Transformer

2年前作者：hbw136分類：Toy博客閱讀(19)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了【HAT】 Activating More Pixels in Image Super-Resolution Transformer。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

Activating More Pixels in Image Super-Resolution Transformer

（在圖像超分辨率transformer中激活更多的像素）

作者：Xiangyu Chen1,2 , Xintao Wang3 , Jiantao Zhou1 , and Chao Dong2,4

單位：1University of Macau 2Shenzhen Institute of Advanced Technology,

Chinese Academy of Sciences 3ARC Lab, Tencent PCG 4Shanghai AI Laboratory

代碼：GitHub - chxy95/HAT: Activating More Pixels in Image Super-Resolution Transformer

論文地址：https://arxiv.org/pdf/2205.04437文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-460109.html

一、問(wèn)題與動(dòng)機(jī)

盡管現(xiàn)階段作者發(fā)現(xiàn)一些基于transformer的SR模型獲得了更高的指標(biāo)性能，但由于使用信息的范圍有限，在某些情況下它產(chǎn)生的結(jié)果不如 RCAN。這些現(xiàn)象說(shuō)Transformer對(duì)局部信息的建模能力更強(qiáng)，但其利用信息的范圍有待擴(kuò)大。

到了這里，關(guān)于【HAT】 Activating More Pixels in Image Super-Resolution Transformer的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來(lái)自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

BSRN網(wǎng)絡(luò)——《Blueprint Separable Residual Network for Efficient Image Super-Resolution》論文解讀
目錄摘要：網(wǎng)絡(luò)架構(gòu)：具體流程： BSConv： ESDB——Efficient Separable Distillation Block： ?Blueprint Shallow Residual Block (BSRB)： ESA和CCA： ?實(shí)驗(yàn)： BSRN的實(shí)現(xiàn)細(xì)節(jié)： BSRN-S（比賽）的實(shí)現(xiàn)細(xì)節(jié)：不同卷積分解的效果： ESA和CCA的有效性: ?不同激活函數(shù)對(duì)比： BSRN的有效性： ?和SOTA方法的
2024年02月05日
瀏覽(25)
SR3:Image Super-Resolution via Iterative Refinement（零基礎(chǔ)解讀基于diffusion的超分網(wǎng)絡(luò)）
摘要：本文提出來(lái)一種通過(guò)重復(fù)精細(xì)化操作來(lái)實(shí)現(xiàn)圖像超分辨率的SR3模型。SR3將噪擴(kuò)散概率模型嫁接至在圖像到圖像的翻譯任務(wù)中，通過(guò)隨機(jī)迭代去噪實(shí)現(xiàn)圖像超分辨率。通過(guò)訓(xùn)練一個(gè)用于在各種水平噪聲上去噪的U-Net架構(gòu)，逐步的對(duì)完全高斯噪聲進(jìn)行逐步精細(xì)化最終得到輸
2024年02月13日
瀏覽(52)
【論文閱讀】SISR綜述：From Beginner to Master: A Survey for Deep Learning-based Single-Image Super-Resolution
論文地址：https://doi.org/10.48550/arXiv.2109.14335 單幅圖像超分辨率(SISR)是圖像處理中的一項(xiàng)重要任務(wù)，旨在提高成像系統(tǒng)的分辨率。近年來(lái)，在深度學(xué)習(xí)(DL)的幫助下，SISR取得了巨大的飛躍，并取得了可喜的成果。在本綜述中，我們對(duì)基于dl的SISR方法進(jìn)行了概述，并根據(jù)重建效率
2024年02月08日
瀏覽(34)
論文閱讀 Self-Supervised Burst Super-Resolution
這是一篇 ICCV 2023 的文章，主要介紹的是用自監(jiān)督的方式進(jìn)行多幀超分的學(xué)習(xí) Abstract 這篇文章介紹了一種基于自監(jiān)督的學(xué)習(xí)方式來(lái)進(jìn)行多幀超分的任務(wù)，這種方法只需要原始的帶噪的低分辨率的圖。它不需要利用模擬退化的方法來(lái)構(gòu)造數(shù)據(jù)，而且模擬退化的方法又可能存在域
2024年01月18日
瀏覽(23)
論文閱讀《Spherical Space Feature Decomposition for Guided Depth Map Super-Resolution》
論文地址：https://openaccess.thecvf.com/content/ICCV2023/papers/Zhao_Spherical_Space_Feature_Decomposition_for_Guided_Depth_Map_Super-Resolution_ICCV_2023_paper.pdf 源碼地址： https://github.com/Zhaozixiang1228/GDSR-SSDNet ??GDSR是一種多模態(tài)圖像處理的熱門(mén)話題，它的目的是利用同一場(chǎng)景中的高分辨率（HR）RGB圖像中
2024年01月16日
瀏覽(26)
Temporal Modulation Network for Controllable Space-Time Video Super-Resolution閱讀筆記
Temporal Modulation Network for Controllable Space-Time Video Super-Resolution 可控時(shí)空視頻超分辨率的時(shí)間調(diào)制網(wǎng)絡(luò) ?論文：https://arxiv.org/pdf/2104.10642v2.pdf 代碼：https://github.com/CS-GangXu/TMNet 研究機(jī)構(gòu)：南開(kāi)、中科院、騰訊優(yōu)圖本篇筆記主要對(duì)整篇論文從頭到尾進(jìn)行閱讀分析，本文內(nèi)容有點(diǎn)多，
2023年04月14日
瀏覽(22)
【論文閱讀筆記】Bicubic++: Slim, Slimmer, Slimmest Designing an Industry-Grade Super-Resolution Network
論文地址：https://arxiv.org/pdf/2305.02126.pdf ??本文提出的實(shí)時(shí)性、輕量級(jí)的圖像超分網(wǎng)絡(luò)，名為 Bicubic++ 。 ??Bicubic++的網(wǎng)絡(luò)結(jié)構(gòu)，首先學(xué)習(xí)了圖像的快速可逆降級(jí)和低分辨率特征，以減少計(jì)算量。 ??然后作者還設(shè)計(jì)了一個(gè)訓(xùn)練管道，可以在不使用幅度或梯度（magnitude or
2024年04月17日
瀏覽(13)
Perceptual Loss（感知損失）&Perceptual Losses for Real-Time Style Transferand Super-Resolution論文解讀
由于傳統(tǒng)的L1,L2 loss是針對(duì)于像素級(jí)的損失計(jì)算，且L2 loss與人眼感知的圖像質(zhì)量并不匹配，單一使用L1或L2 loss對(duì)于超分等任務(wù)來(lái)說(shuō)恢復(fù)出來(lái)的圖像往往細(xì)節(jié)表現(xiàn)都不好。現(xiàn)在的研究中，L2 loss逐步被人眼感知loss所取代。人眼感知loss也被稱為perceptual loss（感知損失），它與MSE（
2023年04月20日
瀏覽(27)
論文閱讀：Feature Refinement to Improve High Resolution Image Inpainting
項(xiàng)目地址：https://github.com/geomagical/lama-with-refiner 論文地址：https://arxiv.org/abs/2109.07161 發(fā)表時(shí)間：2022年6月29日項(xiàng)目體驗(yàn)地址：https://colab.research.google.com/github/advimman/lama/blob/master/colab/LaMa_inpainting.ipynb#scrollTo=-VZWySTMeGDM 解決了在高分辨率下工作的神經(jīng)網(wǎng)絡(luò)的非繪制質(zhì)量的下降問(wèn)題
2024年01月17日
瀏覽(27)
high-resolution image synthesis with latent diffusion models
如何通俗理解擴(kuò)散模型？ - 知乎瀉藥。實(shí)驗(yàn)室最近人人都在做擴(kuò)散，從連續(xù)到離散，從CV到NLP，基本上都被diffusion洗了一遍。但是觀察發(fā)現(xiàn)，里面的數(shù)學(xué)基礎(chǔ)并不是模型應(yīng)用的必須。其實(shí)大部分的研究者都不需要理解擴(kuò)散模型的數(shù)學(xué)本質(zhì)，更需要的是對(duì)… https://zhuanlan.zhihu.
2023年04月19日
瀏覽(28)