一个不错的用C#操作Windows API来改变屏幕显示器的分辨率.

外部接口方面HDMI占据了较大的市场优势，但是DisplayPort凭借自身的结构优势正在缩小差距。 内部接口方面，传统的LVDS在面对这些高分辨率的显示屏时越来越吃力，DisplayPort的内部接口eDP会在将来逐渐取代LVDS。本文对EDP协议传输内容进行了详细讲解

LVDS支持的分辨率 • Single channel can support up to 112 Mp/sec. (1280x1024 @ 85hz = 111.4 Mp/s) • Dual channel can support up to 224 Mp /sec. (2048x1536 @ 70hz = 220.2 Mp/s) Panel support up to UXGA (1600x1200)

通过调制入射光的振幅和相位，形成特殊结构分布的照明光以提高数字全息显微记录系统分辨率，结合结构光的特性设计了明场和暗场记录系统。明场记录系统中，在利用振幅型正弦光栅和随机散射元件调制入射光波前，将超出衍射极限的物体高频信息调制到系统截止频率以内，这部分信息可以通过成像系统被记录。数字再现过程中，将其与低频信息合成，可使再现像分辨率得到提高。在暗场记录系统中，通过在空间光调制器上加载相息图改变入射光的振幅和相位分布，分别用拉盖尔-高斯涡旋、径向艾里以及携带涡旋相位的径向艾里结构光照明物体，结合暗场聚光镜的应用，提高系统的分辨率和对比度。

现有的自适应多尺度分块压缩感知算法忽略了高频信息在重建中的作用, 导致图像的边缘轮廓得不到充分重建; 并且在压缩分块过程中采用固定分块大小, 没有充分利用图像自身的稀疏性。针对上述不足, 提出一种多尺度分块的自适应采样率压缩感知算法。该算法充分利用小波变换后的高频信号和低频信号, 同时针对图像的固定尺寸分块进行改进。首先, 对低频部分利用自适应邻域特征的空域滤波算法消除块效应; 其次, 对高频部分依据纹理特征自适应选取图像块的大小, 实现样本块尺寸的自动划分和采样率的自适应; 最后, 分别对纹理信息各异的图像进行压缩重建仿真。结果表明, 本方法重建效果明显优于已有的自适应采样率算法。

舌象的精准分割对舌诊中舌体识别与分类具有重要意义，采用传统图像处理方法和深度学习方法分割舌象会丢失部分舌象边缘信息，从而降低舌体识别精确度。针对该问题，提岀一种利用高分辨率网络的舌象分割算法。使用区域定位网络识别舌体并提取舌象原图特征生成建议框，对其进行分类和回归处理以定位舌象所在区域，同时构建高分辨率网络提取该区域高分辨率特征，最终完成舌象分割。实验结果表明，该算法可有效保留舌象边缘信息，其分割结果平均交并比达到98.2%，较Segnet、Mask-rcnn算法分割舌象更精准。

学习丰富的功能以进行真实图像还原和增强（ECCV 2020） ， ， ， ， ， 和 论文： : 补充文件： 视频演示： : 摘要：为了从降级版本中恢复高质量图像内容，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是包含几个关键元素的多尺度残差块：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和渠道关注机

本文用一个低压差分信号为例，讲述了如何用Pico示波器的模拟偏置功能将仪器的灵敏度提高到原来的10倍，这意味着将垂直测量分辨率提高了10倍。

An implementation of Deep Recursive Residual Network for Super Resolution (DRRN), CVPR 2017

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