发表于 | 更新于: | 分类于 |
字数统计: 15k | 阅读时长 ≈ 53 mins.

文献集合 之 Perceptual Quality Methods、Information Utilization Method

来自综述文章：《A systematic survey of deep learning-based single-image super-resolution》，2024,4月

文章链接：A Systematic Survey of Deep Learning-Based Single-Image Super-Resolution | ACM Computing Surveys

阅读全文 »

发表于 | 更新于: | 分类于 |
字数统计: 6.8k | 阅读时长 ≈ 25 mins.

超分辨率第十一章-SR&Diffusion_model

Denoising Diffusion Probabilistic Models 于2020年发布。

参考文献：Denoising Diffusion Probabilistic Models

此后在超分领域出现了两篇以扩散模型为基础的文章：

参考文献：

SR3: Image Super-Resolution via Iterative Refinement (2021)

SRDiff: Single Image Super-Resolution with Diffusion Probabilistic Models (2021)

阅读全文 »

发表于 | 更新于: | 分类于 |
字数统计: 6.5k | 阅读时长 ≈ 24 mins.

深度学习第六章-VAE架构

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: 59k | 阅读时长 ≈ 3:34

超分辨率第八章-SR&transformer

超分辨率中的transformer-应用于MRI

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

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

文献三：(CRFM) Cross-Modality Reference and Feature Mutual-Projection for 3D Brain MRI Image Super-Resolution 期刊，2024

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 »