人体姿态估计 项目链接：https://link.zhihu.com/?target=https%3A//github.com 1）方向：姿势估计 2）应用：姿势估计 3）背景：基于热图的方法已成为姿势估计的主流方法，因为其性能优越。然而，基于热图的方法在使用缩小尺寸的热图时会遭受显著的量化误差，导致性能有限，并对中间监督产生不利影响。以往的基于热图的方法依赖于额外的后处理来减轻量化误差。一些方法通过使用多个昂贵的上采样层来提高特征图的分辨率，从而提高定位精度。 4）方法：为了解决上述问题，作者创造性地将骨干网络视为一个degradation（降质）过程，并将热图预测重新构造为超分辨率任务。首先提出了SR head，通过超分辨率预测高于输入特征图（甚至与输入图像一致）的热图，以有效减少量化误差，并减少对进一步后处理的依赖。此外，提出了SRPose方法，以逐渐在粗糙到精细的方式中从低分辨率热图和退化特征恢复高分辨率热图。为了减少高分辨率热图的训练难度，SRPose使用SR head来监督每个阶段的中间特征。另外，SR head是一个轻量级通用的头部，适用于自上而下和自下而上的方法。 《轻量级超分辨率头在人体姿态估计中的应用》 人体姿态估计是计算机视觉领域中的一个关键任务，它涉及到识别图像或视频中人物的关键关节位置，如肩、肘、膝等。这一技术广泛应用于动作识别、人机交互、体育分析等领域。近年来，基于热图的方法在姿态估计中取得了显著的进步，其原理是通过预测每个关节的二维概率分布热图，然后通过峰值检测确定关节位置。然而，基于热图的方法存在一个问题，即在使用缩小尺寸的热图时，会引入显著的量化误差，这限制了其性能并影响中间监督的效果。 为了解决这个问题，研究人员提出了一种新的方法，将骨干网络视为一个降质过程，将热图预测重新定义为超分辨率任务。这一创新思路体现在“轻量级超分辨率头”（SR head）的设计上。SR head的目标是通过超分辨率技术预测出的热图具有比输入特征图更高的空间分辨率，甚至可以与原始输入图像分辨率一致，从而有效地减少量化误差，降低对后续后处理步骤的依赖。这种方法不仅提高了定位精度，还简化了模型结构。 SRPose是基于SR head提出的一种逐步恢复高分辨率（HR）热图的策略。它采用粗到细的方式，从低分辨率（LR）热图和降质特征出发，逐渐恢复出更精确的人体关节位置。在训练过程中，SR head用于监督每个阶段的中间特征，帮助模型更好地学习和优化，降低了高分辨率热图训练的复杂度。 此外，SR head的设计具有轻量级和通用性，无论是自上而下的方法（从全局图像信息开始预测关节位置）还是自下而上的方法（从局部特征开始逐渐构建全身结构），都能很好地适应。实验结果表明，SRPose在COCO、MPII和Crowd-Pose等标准数据集上超越了现有的基于热图的方法，证明了其在人体姿态估计领域的优越性。 这项工作展示了超分辨率技术在解决基于热图的人体姿态估计方法中量化误差问题上的潜力。通过轻量级的SR head设计和逐步恢复策略，模型能够在保持高效的同时提升姿态估计的准确性。这一研究为未来的人体姿态估计技术发展提供了新的思路和方向，有望在实际应用中实现更准确、更快速的人体姿态识别。

这本书的重点是图像和视频的超分辨率。作者使用超分辨率（SR）来描述从一组低分辨率（LR）观测获得高分辨率（HR）图像或序列的HR图像的过程。在文献中，这个过程也被称为分辨率增强（RE）。SR主要应用于空间和时间RE，但也适用于高光谱图像增强。这本书集中于基于运动的空间RE，虽然作者也描述了无运动和高光谱图像SR问题。还包括下采样，预处理，视频序列压缩，以及应用的SR技术。 很明显，在SR中开发的工具和技术和信号处理（例如，图像恢复、运动估计）中遇到的许多其他反问题之间有很强的相互作用。SR技术被应用于各种领域，例如从视频序列（视频打印）、高清晰度电视、高性能彩色液晶显示器（LCD）屏幕获得改进的静止图像，提高由一个CCD拍摄的彩色图像的质量、视频监控。遥感、遥感和医学影像学。作者相信，SR/RE区域已经成熟到足以发展一种知识，它现在可以开始提供有用的和实际的解决方案来挑战真实的问题，并且SR技术可以是图像和视频编解码器的一个组成部分，并且可以驱动新的代码D的开发。生态解码器（CODEC）和标准。

Learning a Deep Convolutional Network for Image Super-Resolution

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

matlab代码影响基于自动编码器的单图像超分辨率 介绍 单图像超分辨率（SISR）是计算机视觉中的不适定问题，并且在视频编码的背景下显示出其潜力。 自从SRCNN [1]模型首次提出以来，训练基于深度学习的模型来执行超分辨率已成为该领域的当前研究重点。 基于深度学习的超分辨率的当前流程如图1所示。首先使用双三次/ SHVC方法将原始图像降采样为低分辨率图像，然后通过插值方法将低分辨率图像放大。 插值图像用于深度学习模型的训练和测试。 图1：当前基于深度学习的SISR模型的一般结构。 在该项目中，发现不同的下采样方法对基于深度学习的SISR模型的训练和性能有深远的影响。 使用几乎没有别名的下采样和内插方法进行训练对网络恢复高一半频率的信息没有帮助。 基于这些结论，设计了一种可以同时学习下采样和上采样操作的自动编码器模型，希望该自动编码器模型可以学习适当的下采样方法，以便在上半频率范围内获得更多信息。可以恢复的。 测试结果表明，与VDSR [2]模型相比，该自动编码器模型可以实现更高的PSNR值。 自动编码器模型的结构如图2所示。图2：基于自动编码器的SISR模型的结构。 表1给出了测试

超分辨率 精选的超分辨率资源列表和单个图像超分辨率算法的基准。 请参阅我实现的超分辨率算法： 去做 建立像这样的 最先进的算法 经典稀疏编码方法 ScSR 作为原始图像补丁的稀疏表示的图像超分辨率（CVPR2008），杨建超等。 通过稀疏表示的图像超分辨率（TIP2010），杨建超等。 针对图像超分辨率的耦合字典训练（TIP2011），杨建超等。 锚定邻域回归法 ANR Radu Timofte等人的《基于实例的快速超分辨率的锚定邻域回归》（ICCV2013）。 A + A +：调整后的锚定邻域回归以实现快速超分辨率（ACCV2014），Radu Timofte等人。 IA Radu Timofte等人，《改进基于示例的单图像超分辨率的七种方法》（CVPR2016）。 自我榜样 SelfExSR 变换后的自样本的单图像超分辨率（CVPR2015），黄佳斌等。 贝

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

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