Tensorflow实施论文“快速，准确的超高分辨率的深拉普拉斯金字塔网络”（CVPR 2017） 这是使用TensorLayer的Tensorflow实现。 原始论文和使用MatConNet的实现可以在他们的上找到。 环境 使用python 3.6和cuda 8.0对实现进行了测试。 下载资料库： $ git clone https://github.com/zjuela/LapSRN-tensorflow.git 火车模型 在config.py文件中指定数据集路径并运行： $ python main.py 使用挑战数据集对预训练模型进行训练。 测试 使用您的测试图像运行： $ python main.py -m test -f TESTIMAGE 结果可以在文件夹./samples/中找到

针对雾天图像存在信息丢失、区域不清晰以及雾气遮挡等问题,提出了一种基于双边滤波的高斯金字塔变换Retinex图像增强算法,以提高雾天图像的对比度。首先,基于空间域核函数和像素差,建立了改进的双边滤波函数数学模型。然后,将输入图像转换为HSI(Hue,Saturation,Intensity)图像,用改进的双边滤波函数代替原算法中的高斯函数,从亮度图像(I色彩空间)中提取反射分量,以获得保持边缘且不受亮度影响的反射图像。最后,通过高斯金字塔降采样,获取不同尺度的彩色图像,用改进的Retinex算法对多种尺度的图像进行增强,并基于高斯-拉普拉斯算法进行降采样重构,以提高图像的对比度。实验结果表明,本算法能有效增强图像的对比度,且处理后的图像色彩符合人眼观测效果。

总结了经典光流法的计算，同时结合着调研的几个最新的光流法的变体，进行了分析和介绍

GDAL是遥感数据的IO处理库，可以读写erdas img、GeoTiff等多种文件格式。本文通过建立金字塔读取大数据量的文件

scratch算法题，金字塔三角形

本文复现的是是发表在ICCV 2017的工作《Learning Feature Pyramids for Human Pose Estimation》，论文提出了一个新的特征金字塔模块，在卷积网络中学习特征金字塔，并修正了现有的网络参数初始化方法，在人体姿态估计和图像分类中都取得了很好的效果。

加法器MATLAB代码用于全卷积网络的 Atrous 空间金字塔池的 SoC 实现 队号 xohw19-188 项目名 用于全卷积网络的 Atrous 空间金字塔池的 SoC 实现 日期 2019 年 6 月 27 日。 上传档案的版本 1 大学名称 卡拉布里亚大学 信息学、建模、电子和系统工程系 主管姓名 斯蒂芬妮娅·佩里 主管邮箱 参与者 克里斯蒂安·塞斯蒂托 电子邮件 使用的板 Digilent ZedBoard Zynq-7000 ARM/FPGA SoC 开发板 Vivado 版本 2017.4 项目简述 此设计提供了一种新颖的 IP 核，该核采用 Atrous 空间金字塔池化方法，以更好地执行用于深度学习目的的语义图像分割。 通过以不同的速率应用扩张卷积，研究人员已经表明，这种策略可以更好地管理视野，并能够更好地识别多个尺度的物体。 通过利用 FPGA 的并行化能力，联合执行多个扩张卷积和全局平均池化。 通过使用 ZedBoard，整个系统允许内核和 DDR 之间通过 DMA 进行通信； 这些测试旨在通过​​将组件提供并存储在 DDR 中的结果与模拟其行为的 MATLAB

由于相机和显示设备的动态范围远小于人眼可识别的动态范围，相机获取到的图像往往不能兼顾亮部细节与暗部细节。多曝光图像融合可以解决上述问题，但目前该方法大多基于相机与目标场景相对静止的前提。文中通过结合图像配准和图像融合，实现一个可以处理运动相机拍摄的多曝光图像的融合系统。首先，配准模块提取SURF特征点，进行欧式距离粗匹配；其次，配准模块利用RANSAC算法进行精匹配，提取变换模型参数并进行投影变换以矫正图像；最后，融合模块利用金字塔融合法融合已配准图像。实验结果表明该系统可有效矫正图像空间位置偏差，扩大图像的动态范围，提高图像质量。

用分治法，动态规划求最佳路径，解决的是金字塔钻石矿工的问题，是自己写的作业代码

Matlab代码金字塔DCPDN 密集连接的金字塔除雾网络（CVPR'2018） ， []（CVPR'18） 我们提出了一种新的端到端单图像除雾方法，称为密集连接金字塔除雾网络（DCPDN），该方法可以共同学习透射图，大气光和除雾。 通过将大气散射模型直接嵌入到网络中来实现端到端学习，从而确保所提出的方法严格遵循物理驱动的散射模型进行除雾。 受到密集网络的启发，该网络可以最大化沿不同级别特征的信息流，我们提出了一种具有多级金字塔池模块的边缘保持密集连接的编码器/解码器结构，用于估计传输映射。 该网络使用新引入的边缘保留丢失功能进行了优化。 为了进一步结合估计的透射图和去雾结果之间的相互结构信息，我们提出了一种基于生成对抗网络框架的联合判别器，以决定相应的去雾图像和估计的透射图是真实的还是假的。 进行了消融研究，以证明在估算的透射图和除雾后的结果中评估的每个模块的有效性。 大量的实验表明，与现有技术相比，该方法具有明显的改进。 @inproceedings{dehaze_zhang_2018, title={Densely Connected Pyramid Dehazing Net