针对已有自适应细分方法中存在的问题，提出了一种新的自适应多分辨率细分曲面的表示方法。该方法结合拓扑细分的特点，运用二维组合映射对半边数据结构进行形式化定义，并引出超映射的概念。在超映射这个通用的理论框架中引出了半边结构在多分辨率上的扩展，并对其在自适应细分方法中的应用进行了讨论。结果表明这种结构具有普适性，支持多种细分方法，允许在网格的任何多分辨率层次上及时有效地导航，并且在自适应细分过程中避免了拓扑裂缝的产生。

SRCNN-CS_SRCNN彩色图像超分辨率重建_彩色超分辨率_matlabSRCNN_超分辨率重建_超分辨重建

自己重新编写再整合的文件 收6分~不过分!! 适合了解并会简单编辑hackmap的玩家 地图内的dll文件支持大分辨率 进游戏设置640X480即可.无需其他工具!

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”。

这篇文档详细讲述了图像中的一些基本知识，对于图像处理来说很有帮助

获得屏幕及设置屏幕分辨率 Delphi 获得屏幕及设置屏幕分辨率 Delphi

介绍了图像超分辨率算法的概念和来源，通过回顾插值、重建和学习这3个层面的超分辨率算法。

此函数是 Gabe Hoffmann 对 SAVE2PDF 的修改。 它将当前（或指定的句柄）图形保存到给定的文件名（如果没有给出，它会显示一个 gui 来介绍它）。 如果图像扩展名无效或“未知”，它还会显示一个包含有效扩展名的菜单。 它和 SAVEAS 一样简单，但有额外的输入（所有选项）。 例如，要将当前图形保存为（默认）PNG 和 150x150 像素，请使用>> saveas2('myfigure') 就是这样。 或者到 300x300 像素的 JPG： >> saveas2('myfigure.jpg',300) 或作为“无花果”： >> saveas2('myfigure.fig') 它接受多个输入。 好好享受！ （错误报告和建议将不胜感激）