本文回顾了图像去噪技术，重点关注Residual Dense Network在超分辨率中的应用。评估指标包括PSNR和SSIM，参数及内存计算涉及模型、层输出在训练时的内存占用，例如VGG16。此外，探讨了CBAM模块的位置对其性能的影响，并介绍了FLOPS作为计算能力的度量。文章提到了sub-pixel convolution和GRDN技术，并详细解释了CBAM的通道和空间注意力机制。
Denoising review:
The trials made can be found on Github.
Assessment indexes:
PSNR: peak signal to noise ratio
P S N R = 10 ∗ l o g 10 ( ( 2 n − 1 ) 2 M S E ) = 20 ∗ l o g 10 ( M A X M S E ) PSNR = 10*log_{10}(\frac{(2^n-1)^2}{MSE})=20*log_{10}(\frac{MAX}{\sqrt{MSE}}) PSNR=10∗log10(MSE(2n−1)2)=20∗log10(MSEMAX)
注意MSE是均方误差(已平均化)，MAX表示图像颜色的最大值，一般8位图表示255
PSNR单位是dB.
SSIM: structural similarity index
L ( X , Y ) = 2 u X u Y + C 1 u X 2 + u Y 2 + C 1 , C ( X , Y ) = 2 σ X σ Y + C 2 σ X 2 + σ Y 2 + C 2 , S ( X , Y ) = σ X Y + C 3 σ X σ Y + C 3 L(X,Y) = \frac{2u_Xu_Y+C_1}{u_X^2+u_Y^2+C_1}, C(X,Y) = \frac{2\sigma_X\sigma_Y+C_2}{\sigma_X^2+\sigma_Y^2+C_2},S(X,Y)=\frac{\sigma_{XY}+C_3}{\sigma_X\sigma_Y+C_3} L(X,
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
