MIRNet:“学习增强的真实图像还原和增强功能”的官方存储库(ECCV 2020)。 SOTA结果可实现图像降噪,超分辨率和图像增强

上传者: 42117267 | 上传时间: 2023-04-11 14:01:45 | 文件大小: 28KB | 文件类型: ZIP
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

文件下载

资源详情

[{"title":"( 27 个子文件 28KB ) MIRNet:“学习增强的真实图像还原和增强功能”的官方存储库(ECCV 2020)。 SOTA结果可实现图像降噪,超分辨率和图像增强","children":[{"title":"MIRNet-master","children":[{"title":"test_super_resolution.py <span style='color:#111;'> 2.63KB </span>","children":null,"spread":false},{"title":"utils","children":[{"title":"model_utils.py <span style='color:#111;'> 1.53KB </span>","children":null,"spread":false},{"title":"dataset_utils.py <span style='color:#111;'> 1.59KB </span>","children":null,"spread":false},{"title":"antialias.py <span style='color:#111;'> 4.47KB </span>","children":null,"spread":false},{"title":"__init__.py <span style='color:#111;'> 108B </span>","children":null,"spread":false},{"title":"bundle_submissions.py <span style='color:#111;'> 3.50KB </span>","children":null,"spread":false},{"title":"dir_utils.py <span style='color:#111;'> 407B </span>","children":null,"spread":false},{"title":"image_utils.py <span style='color:#111;'> 1.33KB </span>","children":null,"spread":false}],"spread":true},{"title":"config.py <span style='color:#111;'> 3.22KB </span>","children":null,"spread":false},{"title":"test_enhancement.py <span style='color:#111;'> 3.11KB </span>","children":null,"spread":false},{"title":"dataloaders","children":[{"title":"dataset_rgb.py <span style='color:#111;'> 5.26KB </span>","children":null,"spread":false},{"title":"data_rgb.py <span style='color:#111;'> 565B </span>","children":null,"spread":false}],"spread":true},{"title":"training.yml <span style='color:#111;'> 508B </span>","children":null,"spread":false},{"title":"generate_patches_SIDD.py <span style='color:#111;'> 2.10KB </span>","children":null,"spread":false},{"title":"losses.py <span style='color:#111;'> 1.58KB </span>","children":null,"spread":false},{"title":"LICENSE.md <span style='color:#111;'> 1.30KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 7.89KB </span>","children":null,"spread":false},{"title":"pretrained_models","children":[{"title":"download_models.txt <span style='color:#111;'> 122B </span>","children":null,"spread":false}],"spread":true},{"title":"test_denoising_sidd.py <span style='color:#111;'> 2.78KB </span>","children":null,"spread":false},{"title":"train_denoising.py <span style='color:#111;'> 6.79KB </span>","children":null,"spread":false},{"title":"pytorch-gradual-warmup-lr","children":[{"title":"warmup_scheduler","children":[{"title":"run.py <span style='color:#111;'> 817B </span>","children":null,"spread":false},{"title":"__init__.py <span style='color:#111;'> 63B </span>","children":null,"spread":false},{"title":"scheduler.py <span style='color:#111;'> 3.00KB </span>","children":null,"spread":false}],"spread":false},{"title":"setup.py <span style='color:#111;'> 578B </span>","children":null,"spread":false}],"spread":false},{"title":"networks","children":[{"title":"MIRNet_model.py <span style='color:#111;'> 12.99KB </span>","children":null,"spread":false}],"spread":false},{"title":".gitignore <span style='color:#111;'> 36B </span>","children":null,"spread":false},{"title":"test_denoising_dnd.py <span style='color:#111;'> 2.94KB </span>","children":null,"spread":false}],"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明