【HAT】 Activating More Pixels in Image Super-Resolution Transformer

8月前作者：hbw136 分类：Toy博客阅读(34) 违法举报

这篇具有很好参考价值的文章主要介绍了【HAT】 Activating More Pixels in Image Super-Resolution Transformer。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Activating More Pixels in Image Super-Resolution Transformer

（在图像超分辨率transformer中激活更多的像素）

【HAT】 Activating More Pixels in Image Super-Resolution Transformer

作者：Xiangyu Chen1,2 , Xintao Wang3 , Jiantao Zhou1 , and Chao Dong2,4

单位：1University of Macau 2Shenzhen Institute of Advanced Technology,

Chinese Academy of Sciences 3ARC Lab, Tencent PCG 4Shanghai AI Laboratory

代码：GitHub - chxy95/HAT: Activating More Pixels in Image Super-Resolution Transformer

论文地址：https://arxiv.org/pdf/2205.04437文章来源地址https://www.toymoban.com/news/detail-460109.html

一、问题与动机

尽管现阶段作者发现一些基于transformer的SR模型获得了更高的指标性能，但由于使用信息的范围有限，在某些情况下它产生的结果不如 RCAN。这些现象说Transformer对局部信息的建模能力更强，但其利用信息的范围有待扩大。

到了这里，关于【HAT】 Activating More Pixels in Image Super-Resolution Transformer的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

阅读RFDN-Residual Feature Distillation Network for Lightweight Image Super-Resolution

Residual Feature Distillation Network for Lightweight Image Super-Resolution Abstract. 单图像超分辨率（SISR）的最新进展探索了卷积神经网络（CNN）的力量，以获得更好的性能。尽管基于cnn的方法取得了巨大的成功，但为了解决高计算量的问题，人们提出了各种快速和轻量级的CNN模型。信息蒸馏

2024年02月10日
浏览(30)
SR3:Image Super-Resolution via Iterative Refinement（零基础解读基于diffusion的超分网络）

摘要：本文提出来一种通过重复精细化操作来实现图像超分辨率的SR3模型。SR3将噪扩散概率模型嫁接至在图像到图像的翻译任务中，通过随机迭代去噪实现图像超分辨率。通过训练一个用于在各种水平噪声上去噪的U-Net架构，逐步的对完全高斯噪声进行逐步精细化最终得到输

2024年02月13日
浏览(30)
【论文阅读】SISR综述：From Beginner to Master: A Survey for Deep Learning-based Single-Image Super-Resolution

论文地址：https://doi.org/10.48550/arXiv.2109.14335 单幅图像超分辨率(SISR)是图像处理中的一项重要任务，旨在提高成像系统的分辨率。近年来，在深度学习(DL)的帮助下，SISR取得了巨大的飞跃，并取得了可喜的成果。在本综述中，我们对基于dl的SISR方法进行了概述，并根据重建效率

2024年02月08日
浏览(38)
论文阅读 Self-Supervised Burst Super-Resolution

这是一篇 ICCV 2023 的文章，主要介绍的是用自监督的方式进行多帧超分的学习 Abstract 这篇文章介绍了一种基于自监督的学习方式来进行多帧超分的任务，这种方法只需要原始的带噪的低分辨率的图。它不需要利用模拟退化的方法来构造数据，而且模拟退化的方法又可能存在域

2024年01月18日
浏览(41)
论文阅读《Spherical Space Feature Decomposition for Guided Depth Map Super-Resolution》

论文地址：https://openaccess.thecvf.com/content/ICCV2023/papers/Zhao_Spherical_Space_Feature_Decomposition_for_Guided_Depth_Map_Super-Resolution_ICCV_2023_paper.pdf 源码地址： https://github.com/Zhaozixiang1228/GDSR-SSDNet GDSR是一种多模态图像处理的热门话题，它的目的是利用同一场景中的高分辨率（HR）RGB图像中

2024年01月16日
浏览(31)
Temporal Modulation Network for Controllable Space-Time Video Super-Resolution阅读笔记

Temporal Modulation Network for Controllable Space-Time Video Super-Resolution 可控时空视频超分辨率的时间调制网络论文：https://arxiv.org/pdf/2104.10642v2.pdf 代码：https://github.com/CS-GangXu/TMNet 研究机构：南开、中科院、腾讯优图本篇笔记主要对整篇论文从头到尾进行阅读分析，本文内容有点多，

2023年04月14日
浏览(26)
【论文阅读笔记】Bicubic++: Slim, Slimmer, Slimmest Designing an Industry-Grade Super-Resolution Network

论文地址：https://arxiv.org/pdf/2305.02126.pdf 本文提出的实时性、轻量级的图像超分网络，名为 Bicubic++ 。 Bicubic++的网络结构，首先学习了图像的快速可逆降级和低分辨率特征，以减少计算量。然后作者还设计了一个训练管道，可以在不使用幅度或梯度（magnitude or

2024年04月17日
浏览(29)
Perceptual Loss（感知损失）&Perceptual Losses for Real-Time Style Transferand Super-Resolution论文解读

由于传统的L1,L2 loss是针对于像素级的损失计算，且L2 loss与人眼感知的图像质量并不匹配，单一使用L1或L2 loss对于超分等任务来说恢复出来的图像往往细节表现都不好。现在的研究中，L2 loss逐步被人眼感知loss所取代。人眼感知loss也被称为perceptual loss（感知损失），它与MSE（

2023年04月20日
浏览(37)
论文阅读：Feature Refinement to Improve High Resolution Image Inpainting

项目地址：https://github.com/geomagical/lama-with-refiner 论文地址：https://arxiv.org/abs/2109.07161 发表时间：2022年6月29日项目体验地址：https://colab.research.google.com/github/advimman/lama/blob/master/colab/LaMa_inpainting.ipynb#scrollTo=-VZWySTMeGDM 解决了在高分辨率下工作的神经网络的非绘制质量的下降问题

2024年01月17日
浏览(32)
high-resolution image synthesis with latent diffusion models

如何通俗理解扩散模型？ - 知乎泻药。实验室最近人人都在做扩散，从连续到离散，从CV到NLP，基本上都被diffusion洗了一遍。但是观察发现，里面的数学基础并不是模型应用的必须。其实大部分的研究者都不需要理解扩散模型的数学本质，更需要的是对… https://zhuanlan.zhihu.

2023年04月19日
浏览(30)