发表于 | 更新于: | 分类于 |
字数统计: 6.3k | 阅读时长 ≈ 23 mins.

VAE介绍

VAE（变分自编码器）为一个经典的生成式模型，属于编码器-解码器结构。

编码器用于采用复杂部分的特征，之后将复杂分布转换到简单分布的隐空间（如高斯分布）。

解码器采样高斯分布中的数据，生成符合原始分布的图像。

参考视频：

【10分钟】了解香农熵，交叉熵和KL散度

【15分钟】了解变分推理

参考博客

深度理解变分自编码器(VAE) | 从入门到精通

VAE 模型基本原理简单介绍

阅读全文 »

发表于 | 更新于: | 分类于 ， |
字数统计: 9.7k | 阅读时长 ≈ 35 mins.

超分辨率第十章-NormalizingFlow&SR

本文介绍标准化流（Normalizing Flow）以及其对应的超分辨率模型SRflow

参考文献： Normalizing Flows: An Introduction and Review of Current Methods

参考博客：SRFlow: Learning the Super-Resolution Space with Normalizing Flow

阅读全文 »

发表于 | 更新于: | 分类于 ， |
字数统计: 56k | 阅读时长 ≈ 3:24

超分辨率第八章-SR&transformer

超分辨率中的transformer-应用于MRI

文献一：3d Cross-Scale Feature Transformer Network for Brain Mr Image Super-Resolution：ICASSP 2022会议

文献二：Adjacent slices feature transformer network for single anisotropic 3D brain MRI image super-resolution：《Biomedical Signal Processing and Control》 期刊，2022

阅读全文 »

发表于 | 更新于: | 分类于 ， |
字数统计: 37k | 阅读时长 ≈ 2:16

超分辨率第七章-SRFBN

SRFBN发表于2019年，引入了反馈网络机制，不会增加额外的参数，并且多次回传相当于加深了网络。

论文地址：Feedback Network for Image Super-Resoluition

MRI论文：A trusted medical image super-resolution method based on feedback adaptive weighted dense network

参考博客：【CVPR2019】超分辨率文章，SRFBN: Feedback Network for Image Super-Resoluition

代码位置：F:\Github下载\SRFBN_CVPR19-master

阅读全文 »

发表于 | 更新于: | 分类于 ， |
字数统计: 29k | 阅读时长 ≈ 1:45

超分辨率第六章-RCAN

RCAN发表于2018年，引入了注意力机制：Channel Attention (CA)

论文地址：Image Super-Resolution Using Very Deep Residual Channel Attention Networks

参考博客

代码位置：F:\Github下载\RCAN-pytorch-master

阅读全文 »