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

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。