LPTN | | 实时高分辨率真实感图像翻译：拉普拉斯金字塔翻译网络梁洁*、曾慧*、。 在 CVPR 2021 中。 抽象的 现有的图像到图像转换 (I2IT) 方法要么受限于低分辨率图像，要么由于对高分辨率特征图卷积的计算负担过重而导致推理时间长。 在本文中，我们专注于加速基于封闭形式拉普拉斯金字塔分解和重建的高分辨率逼真 I2IT 任务。 具体来说，我们揭示了属性变换，如光照和颜色处理，更多地与低频分量相关，而内容细节可以在高频分量上自适应地细化。 因此，我们提出了一个拉普拉斯金字塔翻译网络 (LPTN) 来同时执行这两项任务，我们设计了一个轻量级网络，用于翻译分辨率降低的低频分量和渐进式掩蔽策略，以有效地改进高频分量。 我们的模型避免了处理高分辨率特征图所消耗的大部分繁重计算，并忠实地保留了图像细节。 在各种任务上的大量实验结果表明，所提出的方法可以使用一个普通 GPU 实时转换 4

生物激励机器人学 高清版，Yunhui Liu and Dong SunCRC主编

High-Resolution Image Synthesis with Latent Diffusion Models机翻

调整后的锚定邻域回归（A +）方法是用于单幅图像超分辨率的最新方法之一。 A +方法的一个重要的隐含假设是，与相似的低分辨率（LR）图像块相对应的高分辨率（HR）图像块也必须相似。 因此，HR补丁空间和LR补丁空间中的邻域回归可以共享相同的代表系数。 但是，由于超分辨率问题的不适性，该假设通常是无效的，并且非相似的HR样本色块通常共享较大的代表系数。 为了解决这个问题，我们建议通过将高分辨率的基于相似度的调整权重引入HR表示系数来改进A +方法，以减少这些非相似HR样本补丁的影响。 在超分辨率处理之前，这些调整权重以低的计算成本被合并到投影矩阵中。 数值结果表明，该方法能够以较低的计算成本有效地提高A +方法的性能。

用于语义分割的高分辨率网络（HRNets） 分行 这是HRNet + OCR的实现。 可以找到PyTroch 1.1版本。 PyTroch 0.4.1版本可。 消息 [2021/02/16]基于预训练权重，我们在Cityscapes val上达到83.22％ ，在PASCAL-Context val（新SOTA上）达到59.62％ ，在COCO-Stuff val（新SOTA上）达到45.20％，在58.21％上达到LIP值和ADE20K值的47.98％ 。 请查看了解更多详细信息。 [2020/08/16] 已支持我们的HRNet + OCR。 [2020/07/20]来自AInnovation的研究人员通过使用半监督学习方案训练我们的HRNet + OCR在上获得了排名第一。 更多详细信息，请参见他们的。 [2020/07/09]我们的论文被ECCV 2020：。 值得注意的

AOT-GAN用于高分辨率图像修复 | AOT-GAN：用于高分辨率图像修复的聚合上下文转换，，，。 引文 如果我们的论文和代码中的任何部分对您的工作有所帮助，请慷慨地引用我们并加注星标 :face_blowing_a_kiss: :face_blowing_a_kiss: :face_blowing_a_kiss: ！ @inproceedings{yan2021agg, author = {Zeng, Yanhong and Fu, Jianlong and Chao, Hongyang and Guo, Baining}, title = {Aggregated Contextual Transformations for High-Resolution Image Inpainting}, booktitle = {Arxiv}, pages={-}, year = {2020} } 介绍 尽管取得了一些令人鼓舞的结果，但是对于现有的图像修复方法来填充高分辨率图像（例如5

用于图像分类的高分辨率网络（HRNets） 消息 [2021/01/20]添加一些更强大的ImageNet预训练模型，例如HRNet_W48_C_ssld_pretrained.pth达到top-1 acc的83.6％。 [2020/03/13] TPAMI接受了我们的论文：。 根据要求，我们提供两种小型HRNet模型。 #parameters和GFLOP与ResNet18相似。 使用这两个小型模型的细分结果也可从。 TensoFlow实现可在。 谢谢 ！ 修复问题后启用了ONNX导出。 谢谢！ 介绍 这是的官方代码。 我们使用下图所示的分类头来扩充HRNet。 首先，将四分辨率特征图输入瓶颈，并将输出通道数分别增加到128、256、512和1024。 然后，我们通过输出256个通道的2步3x3卷积对高分辨率表示进行下采样，并将其添加到第二个高分辨率表示中。 重复此过程两次，以小分

Reduced-Rank MDL Method for Source Enumeration in High-Resolution Array Processing

HRNet-High-Resolution Representations for Labeling Pixels and Regions.pdf

TJU-DHD数据集（物体检测和行人检测） 这是“ ”的官方网站，这是一个新建的用于目标检测和行人检测的高分辨率数据集。 115k +图像和700k +实例 场景：交通和校园，任务：物体检测和行人检测 高分辨率：图像分辨率至少为1624x1200像素，物体高度从11像素到4152像素。 多样性：外观，比例，照度，季节和天气差异很大 行人检测的跨场景评估和同场景评估 如果您对行人检测感兴趣，请参阅或。 目录 2.1 2.2 3.1 3.2 4.1 4.2 4.3 TJU-DHD行人 引文 测试集评估 接触 1.简介 在自动驾驶汽车和视频监控的感知模块中，车辆，行人和骑行者是最重要和最有趣的对象。 但是，检测这种重要物体（尤其是小物体）的最新性能远远不能满足实际系统的需求。 大规模，丰富多样的高分辨率车辆和行人数据集在开发更好的目标检测方法以满足需求方面起着重要作用。 从网站收集的