【图像超分】论文精读：Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution

最新推荐文章于 2025-08-12 23:58:31 发布
最新推荐文章于 2025-08-12 23:58:31 发布
阅读量141 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： 计算机视觉 图像处理 深度学习 超分辨率重建 人工智能 论文阅读 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36584673/article/details/147824145

请先看【专栏介绍文章】：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）

前言

论文题目：Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution —— 统一维度：轻量级图像超分辨率的线性自适应方法

论文地址：Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution

论文源码：https://github.com/zononhzy/LAMNet

arXiv 2024！

文章目录

Abs

了解本专栏 订阅专栏 解锁全文
【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-25 2万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
[论文笔记]RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs
日积月累，天道酬勤
09-10 1787
⭐ 作者提出了一种新的两阶段指令微调框架RankRAG，该框架对LLM进行指令微调，以实现RAG中上下文排名和答案生成的双重目的。阶段一利用SFT对高质量指令跟随数据集进行微调，阶段二对LLM进行检索增强生成和上下文排名的指令微调。
【论文速看】DL最新进展20240928-图像超分、人脸识别
qq_40734883的博客
09-28 1171
【论文速看】DL最新进展20240928-图像超分、人脸识别
Multi-Sensor Object Anomaly Detection:Unifying Appearance, Geometry, and Internal Properties 论文精读
oj_geen的博客
06-06 788
工业质量检测中，目标异常检测至关重要，但传统单传感器方法因受限于外观、几何结构或内部属性检测，存在关键局限。为克服挑战，本文引入MulSen - AD数据集，它整合RGB相机、激光扫描仪和锁相红外热成像数据，覆盖15种工业产品及多样真实异常，还提出MulSen - AD Bench基准与MulSen - TripleAD决策级融合算法。实验表明，多传感器融合大幅优于单传感器，目标级检测AUROC达96.1% ，凸显多传感器数据整合对工业异常检测的重要性，数据集和代码可在指定GitHub获取。
论文笔记 Densebox: Unifying landmark localization with end to end object detection - CVPR 2015
weixin_43791477的博客
03-07 2867
论文笔记 Densebox: Unifying landmark localization with end to end object detection - CVPR 2015
OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Fr
kebijuelun的博客
03-11 644
代码 URL: https://github.com/OFA-Sys/OFA。
论文翻译 | GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks
m0_49651195的博客
10-09 1505
图可以为对象之间的复杂关系建模，支持无数的Web应用程序，例如在线页面/文章分类和社交推荐。虽然图形神经网络(gnn)已经成为图形表示学习的强大工具，但在端到端监督设置中，它们的性能严重依赖于大量特定任务的监督。为了减少标签要求，“预训练，微调”和“预训练，提示”的模式变得越来越普遍。在自然语言处理中，提示是一种流行的替代方法，它旨在以特定于任务的方式缩小预训练和下游目标之间的差距。然而，现有的图上提示的研究仍然有限，缺乏一种通用的处理方法来吸引不同的下游任务。在本文中，我们提出了一个新的图形预训练和提示框
图像质量评价：感知建模——Image Quality Assessment: Unifying Structure and Texture Similarit
阿波
12-05 1468
图像质量评价
【论文笔记】X-Former: Unifying Contrastive and Reconstruction Learning for MLLMs
小嗷犬的博客
10-20 1165
近期在多模态大型语言模型（MLLMs）方面的进步，通过将视觉感知能力整合到大型语言模型（LLMs）中，已经彻底改变了视觉-语言理解领域。该领域的流行趋势涉及使用来自视觉-语言对比学习（CL）的视觉编码器，擅长捕捉整体表示，但在捕捉详细局部模式方面存在困难。在本工作中，我们通过结合通过掩码图像建模（MIM）获得的高频和详细视觉表示与由CL捕获的语义丰富的低频表示，来增强MLLMs的视觉表示。为了实现这一目标，我们引入了X-Former。
论文DenseBox: Unifying Landmark Localization with End to End Object Detection讲解
Keep_Trying_Go的博客
12-13 947
提出的网络以类似分割的方式进行训练。训练中的输出真值为一个大小为 60 × 60 的 5 通道图，降采样因子为 4。真值图中第一通道的正标记区域是一个半径为 rc​ 的填充圆，位于人脸边界框的中心。半径 rc​ 与边界框的大小成比例，输出坐标空间中的比例因子设置为 0.3，如图 2 所示。剩余的 4 个通道填充的是输出图中像素位置与最近边界框左上角和右下角之间的距离。DenseBox旨在解决目标检测中的问题，特别是当区域提议生成可能失败时的情况，它能够将目标检测框架化为一个回归问题。
PADRe: A Unifying Polynomial Attention Drop-in Replacement
07-18
- **图像基2D物体检测**：通过对图像进行分析，PADRe能够有效检测出图像中的物体，且速度更快。 - **3D点云物体检测**：在处理更为复杂的3D点云数据时，PADRe同样表现出色。 #### 三、实验结果与性能比较 PADRe...
论文《PC-Conv：Unifying Homophily and Heterophily with Two-Fold Filtering》笔记
bunny___的博客
06-12 944
【PC-Conv】提出一种新的机制，能够在不同同配性水平的图上同时提取同配性和异配性信息。
2022：OFA: Unifying Architectures, Tasks, and Modalities through A Simple S2s Learning Framework
weixin_42653320的博客
07-10 1208
本工作中，我们追求一个多模态预训练的统一范式，以打破复杂任务/特定模态定制的结构。我们提出OFA，一个支持任务全面性的任务不可知和模态不可知的框架，OFA在一个简单的序列到序列的学习框架中，统一了一组不同的跨模态和单模态任务，包括图像生成、视觉接地、图像字幕、图像分类、语言建模等。OFA在预训练和微调阶段都遵循基于指令的学习，对下游任务不需要额外的任务特定层。与最近依赖于超大的跨模态数据集的最先进的视觉和语言模型相比，OFA仅在2000万公开可用的图像-文本对上进行了预训练。尽管OFA操作简单，训练数据相对
无人机航拍数据集|第12期 无人机停车场车辆计数目标检测YOLO数据集1568张yolov11/yolov8/yolov5可训练
猫脸码客的博客
08-11 712
无人机停车场车辆计数目标检测YOLO数据集。
计算机视觉（opencv）——图像本质、数字矩阵、RGB + 基本操作（实战一）
2302_78022640的博客
08-07 1442
光学三原色RGB）：红、绿、蓝通过将红色（R）、绿色（G）、蓝色（B）三种颜色以不同强度组合，形成各种颜色。RGB颜色25500红色02550绿色00255蓝色255255255白色000黑色2552550黄色百度搜索 “RGB调色板” ，我们通过调色来具体对比来看看：将第一个像素对应的R、G、B输入调色板后得到的颜色 与 像素切片篇左上角的像素颜色 相同：注意：这里的三个数组并不是直接 print(image) 打印出来的结果。
无人机航拍数据集|第14期 无人机水体污染目标检测YOLO数据集3000张yolov11/yolov8/yolov5可训练
猫脸码客的博客
08-12 160
无人机水体污染目标检测YOLO数据集。
机器视觉任务（目标检测、实例分割、姿态估计、多目标跟踪、单目标跟踪、图像分类、单目深度估计）常用算法及公开数据集分享
qq_42910179的博客
08-08 860
是计算机视觉领域的基础任务，旨在将图像划分到不同的类别中。姿态估计需定位目标（通常是人）的关键关节点（如头部、肩膀、手腕），输出点坐标及连接关系。实例分割需同时定位目标（边界框）并分割出每个目标的像素区域（区分同一类别的不同个体）。单目标跟踪需在视频首帧指定目标后，在后续帧中持续跟踪该目标（仅关注一个目标的轨迹）。多目标跟踪需在视频序列中同时跟踪多个目标，输出每个目标的轨迹（ID + 边界框）。目标检测任务需定位图像中目标的边界框（bounding box）并识别其类别。
计算机视觉（8）-纯视觉方案实现端到端轨迹规划（模型训练+代码）
最新发布
weixin_42700971的博客
08-12 447
以上代码均经过天准Orin平台实测（JetPack 5.1, ROS2 Humble），典型端到端延迟<80ms（从图像采集到轨迹输出）。实际部署时需根据车辆动力学参数调整轨迹平滑度约束。以上代码均经过天准Orin平台实测（JetPack 5.1, ROS2 Humble），典型端到端延迟<80ms（从图像采集到轨迹输出）。实际部署时需根据车辆动力学参数调整轨迹平滑度约束。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值