消息： [2020/06/15]可以使用Google Colab进行演示（包括可视化）！ 请查看以了解用户测试的许多结果！ 该存储库包含“用于高分辨率3D人类数字化的多级像素对齐的隐式函数”的pytorch实现。 该代码库提供： 测试代码 可视化代码 Google Colab上的演示 如果您没有运行GPU的环境来运行PIFuHD，我们将提供Google Colab演示。 您还可以上传自己的图像并与可视化一起重建3D几何。 使用以下笔记本尝试我们的Colab演示： 要求 Python 3 在测试 json 皮尔 skimage tqdm cv2 为了可视化 与pybrbree PyOpenGL的 freeglut（为ubuntu用户使用sudo apt-get install freeglut3-dev ） ffmpeg 注意：建议至少使用8GB GPU内存来运行PI

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

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

这是一款高分辨率数字加速度计，通过I2C接口测量范围大于±16g，适用于监控运动状态。使用此模块，您可以轻松地在设计中添加监视移动功能。如手臂，腿部晃动。如果您想通过手臂摇晃切换iPhone歌曲，那么此模块仅适合您。 3轴加速度计规格参数: 尺寸:25.43mm x 20.35mm 工作电压:3.3V 分辨率:3.9mg / LSB 测试范围:±16g 控制模式:I2C 硬件安装: 注意: 与其他Xadow模块一样，您需要将Xadow 3轴加速度计连接到Xadow主板，然后再将测试代码上传到Xadow主板以获取Accelerometer信息。 将Xadow 3轴加速度计连接到Xadow主板时，您应该关注连接方向。连接方法是一个Xadow模块的未填充角需要连接到另一个模块的直角（参见每个Xadow模块的四个角）。 测试代码: 上传代码后，打开串行监视器以查看测试结果。该传感器的输出为3轴加速度信息，转换为重力单位“g”。

matlab精度检验代码ZYNQ时间数字转换器 Red Pitaya Zynq-7010 SoC中的快速高分辨率时间数字转换器 作者：米歇尔·亚当尼克（Michel Adamic） 表现核心频率：350 MHz 延迟线抽头数：192（可配置） 每个通道的时间分辨率：> 11 ps 精度：<10 ppm DNL：-1至+4.5 LSB INL：+0.5至+8.5 LSB 测量范围：47.9毫秒死区时间：〜14 ns 最高速度：〜70 MS / s 档案 贸易发展局主项目，包含AXI TDC内核的设计。 使用VHDL源文件和3个Vivado配置的Xilinx IP（BRAM，BRAM控制器，AXI GPIO）。 需要包含“ MyPkg.vhd”。 AXI_TDC_IP Vivado创建的临时项目，用于将TDC打包到IP内核中。 TDC系统包含Zynq PS和多个TDC内核的顶层模块设计。 时钟：AXI互连期望100 MHz。 对于TDC内核，MMCME将其提高到350 MHz。 外部端口：每个TDC通道的命中信号。 模块“ testUnit”是用于测试的方波发生器，可以将其删除。 TDC通

JPedal完美破解和利用Jpedal进行PDF图片转换实例。

XGM2019e is a combined global gravity field model represented through spheroidal harmonics up to d/o 5399, corresponding to a spatial resolution of 2’ (~4 km). As data sources it includes the satellite model GOCO06s in the longer wavelength area combined with terrestrial measurements for the shorter wavelengths. The terrestrial data itself consists over land and ocean of gravity anomalies provided by courtesy of NGA (identical to XGM2016, having a resolution of 15’) augmented with topographically derived gravity over land (EARTH2014). Over the oceans, gravity anomalies derived from satellite altimetry are used (DTU13, in consistency with the NGA dataset). The combination of the satellite data with the terrestrial observations is performed by using full normal equations up to d/o 719 (15’). Beyond d/o 719, a block-diagonal least-squares solution is calculated for the high-resolution terrestrial data (from topography and altimetry). All calculations are performed in the spheroidal harmonic domain. In the spectral band up to d/o 719 the new model shows over land a slightly improved behavior over preceding models such as XGM2016, EIGEN6c4 or EGM2008 when comparing it to independent GPS leveling data. Over land and in the spectral range above d/o 719 the accuracy of XGM2019e slightly suffers from the sole use oftopographic forward modelling; Hence, errors are increased in well-surveyed areas compared to models containing real gravity data, e.g. EIGEN6c4 or EGM2008. However, the performance of XGM2019e can be considered as globally more homogeneous and independent from existing high resolution global models. Over the oceans the model exhibits an improved performance throughout the complete spectrum (equal or better than preceding models).

ERDAS遥感影像大气校正及高分辨率影像

苹果电脑开高分辨率 视网膜 的软件RDM，亲测10.14或10.15可用。黑苹果神器。你值得拥有~哈哈

这是地震的高分辨率标准频谱响应代码。基础剪切计算灵活。