LP-KPN 拼搏现实的明天。 2021-12-23 14:45 204阅读 0赞 ### LP-KPN 网络结构 ### ![1382235-20190419104448123-1989350085.png][] ![1382235-20190419104504606-1916817331.png][] ### 网络解析 ### 1. 网络结构中绿色星星标志 公式。其实就是用预测出来的核在原图片经过Laplacian pyramid decomposes 后的图片上进行卷积运算。所以应该使用padding ![1382235-20190419110357302-1021198274.png][] 2.文章中,该模型是在YCbCr空间上的Y通道实验的 3.最后的Laplacian pyramid restore 过程,应该是使用 Laplacian pyramid unsample (作者没明写,但不是sub-pixel shuffle 网络结构中并未体现) 4.作者提到由于LP的网络结构,使得学习的k\*k核等效于4k\*4k的核,这减少了参数量 ### 实验参数 ### 1.使用adam训练 2.lr = 1e-4,训练1000K次迭代 3.对于核k的大小,作者在实验中讨论,不一定大的核获取更棒的性能。 ### 实验 ### 实验1:训练数据集的对比,为了展现Real-SR数据集能提高超分辨率的性能,作者使用DIV2K用过BD(bicubic degradation)和MD(multiple degradation)去生成LR,然后用比较流行的模型去训练 ![1382235-20190419124746254-293544181.png][] 实验2:证明LP-KPN模型性能:通过对比过去的模型,LP-KPN不仅参数量少而且性能也最好,这里也提出核大小为5比KPN核为19更棒,这是由于LP-KPN的结构 ![1382235-20190419124938580-1509257878.png][] 转载于:https://www.cnblogs.com/echoboy/p/10735253.html [1382235-20190419104448123-1989350085.png]: /images/20211223/24b15f82e4a84b4c9516ad09083b2061.png [1382235-20190419104504606-1916817331.png]: /images/20211223/cb7394fc46e245f186e8088dc6dad381.png [1382235-20190419110357302-1021198274.png]: /images/20211223/c9ea274b7b59417cb12d5bc2d535f11a.png [1382235-20190419124746254-293544181.png]: /images/20211223/e9be09aa94264d12b28b24a3f7d063cf.png [1382235-20190419124938580-1509257878.png]: /images/20211223/e1b8ce405a8c4bbfa6e27903be42567c.png
还没有评论,来说两句吧...