HYRes IV(发音[haires aivi:])是一款软件工具，设计用于使用符合ISO 12233的分辨率图表精确测量数码相机的分辨率。 HYRes软件支持ISO 12233和CIPA标准DC-003“数码相机分辨率测量方法”(见http://www.cipa.jp/std/std-sec_e.html)中描述的测量方法。两个版本的HYRes 3.1(2004)和HYRes ACE(2006)已经由CIPA发布。 HYRes IV是HYRes 3.1和HYRes ACE这两个软件功能的集成，已经更新到最新的操作系统。IV是综合版本的缩写。

High-Resolution Image Synthesis with Latent Diffusion Models机翻

SRMD Pytorch (English version is down below) (建议在环境下操作) 本仓库改编于原作者项目 相关论文：CVPR 2018 模型结构： SRMD已经训练的模型保存在model_zoo中。(模型来源于原作者 https://drive.google.com/drive/folders/13kfr3qny7S2xwG9h7v95F5mkWs0OmU0D) SRMD模型： srmd_x2.pth srmd_x3.pth srmd_x4.pth 输入：19维的数据，其中15维为经过PCA降维后进行维度拉伸的模糊核，还有1个维度为图片噪声维度，另外3个维度分别为图片的RGB通道，即模型输入为：(19,图片宽,图片高) 图片经过GAN网络的处理，最后进行PixelShuffle，放大指定的倍数。 输出：放大了的图片的RGB通道，即模型输出为：(3,图片宽,图

EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution论文代码，NTIRE2017冠军，Torch写的，欢迎各位下载

学习deep learning for image super-resolution论文后总结出的ppt

Unity分辨率抗锯齿插件MadGoat SSAA Resolution Scale v2.0.8 仅供学习，请勿商用。

深度学习音频超分辨率 这是我的数据科学硕士学位论文项目。 抽象的 音频超分辨率是从低频预测给定信号缺少的高频成分的问题。 最近的一些研究表明，通过将音频超分辨率建模为回归任务，深度学习算法能够取得显着效果。 文献中已经提出了各种各样的方法，包括卷积和递归体系结构以捕获音频帧之间的局部和长期依赖性。 此外，一些研究表明，通过利用傅立叶变换操作作为神经网络配置的组成部分，不仅可以在时间上，而且可以在频域上处理输入信号，可以实现显着的改进。 本项目的目的不仅是要研究这些方法，而且要以有原则的方式将它们结合起来，以探索一种新颖的模型架构。 介绍 本文的重点是在受到一些最新技术启发的情况下，实现一种新颖的模型体系结构。 这项工作中大多数提议的方法都源于以下两项研究： 索耶·比恩鲍姆（Sawyer Birnbaum）等。 “临时电影：用特征明智的调制捕获远程序列依赖性”。 于：神经信息处理系统的进展

hsi matlab代码使用线性回归的快速高光谱图像超分辨率 C语言实现 此版本的C语言实现是在Linux上开发的。 内部使用Intel Math Kernel Library（MKL）和Matlab R2014a extern库。 请确保您的计算机上正确安装了这两个依赖项。 使用Makefile编译计算机上的源代码，但是需要根据您的安装修改MKL和Matlab路径（我们的MKL位于/ usr / opt，Matlab位于/ usr / local。）。 我们的方法的实现包含在hss_lr.c中，该文件明确要求低空间分辨率高光谱图像（LR-HSI），高空间分辨率多光谱图像（HR-MSI）和降级算子（D）。 输出为高空间分辨率高光谱图像（HR-HSI）。 在我们的演示（LR_C.c）中，我们分别在CAVE，Havard和ICVL数据集上测试了我们的方法。 Matlab实现 LR_latest * .M包含了我们对不同贴片尺寸的方法，即，2 2，4 4，8×8，16 16，32×32的执行。 为使代码正常运行，请将* .m移到字典依赖项中。

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。

，梁静云， ，瑞士苏黎世联邦理工学院 [] :sparkles: 一些直观的例子： ; ; ; ; 测试代码 （从或下载以下模型）。 RRDB.pth ---> ESRGAN.pth ---> FSSR_DPED.pth ---> FSSR_DPED.pth ---> RealSR_DPED.pth ---> RealSR_JPEG.pth ---> BSRNet.pth :seedling: BSRGAN :seedling: 大意 设计一个新的降级模型以合成用于训练的LR图像： 1）使模糊，下采样和噪点更加实用 模糊：来自HR空间和LR空间的各向同性和各向异性高斯核的两个卷积 下采样：最近，双线性，双三次，下采样 噪声：高斯噪声，JPEG压缩噪声，处理过的相机传感器噪声 2）降级混洗：我们执行随机混洗的降级以合成LR图像，而不是使用常用的模糊/下采样/降噪管道 关于建议的降级模型的一些注意事项： 降级模型主要用于