文章目錄

• • 1 傳統(tǒng)方案
  • 2 基于CNN的實(shí)現(xiàn)方案
  • • 2.1 SRCNN
    • 2.2 WeChat AI
  • 3 基于GAN的實(shí)現(xiàn)方案
  • • 3.1 SRGAN
    • 3.2 ESRGAN
    • 3.3 Real-ESRGAN
  • 4 基于GAN的QR Code的實(shí)現(xiàn)方案

1 傳統(tǒng)方案

https://blog.csdn.net/caomin1hao/article/details/81092134?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7Eessearch%7Evector-7.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7Eessearch%7Evector-7.no_search

最近鄰插值(Nearest-neighbor)
雙線性插值(Bilinear)
雙三次插值(bicubic)

2 基于CNN的實(shí)現(xiàn)方案

2.1 SRCNN

2014年提出的 SRCNN 是首個(gè)利用 CNN 實(shí)現(xiàn)超分辨率的方式。

SRCNN 流程為：

• 1）模型的輸入為 LR，利用 bicubic 算法將其放大為目標(biāo)尺寸；
• 2）將經(jīng)過處理的 LR 圖像輸入網(wǎng)絡(luò)，經(jīng)過 CNN 處理得到 SR 圖像；
• 3）將 SR 圖像與目標(biāo) HR 圖像作對(duì)比，利用 MSE 作為 Loss，不斷優(yōu)化，做到 SR 與 HR 圖像盡可能相似。

2.2 WeChat AI

3 基于GAN的實(shí)現(xiàn)方案

3.1 SRGAN

3.2 ESRGAN

3.3 Real-ESRGAN

4 基于GAN的QR Code的實(shí)現(xiàn)方案

（1）基于SRGAN模型

驗(yàn)證可行性

ESRGAN

Real-ESRGAN

（2）Generator

基于SRCNN的方式，預(yù)處理輸入LR圖片

（3）Discriminator

提取feature map，計(jì)算content loss

根據(jù)識(shí)別率計(jì)算adversarial loss

（4）去掉BN層

像素級(jí)生成任務(wù)

保持圖像原本的對(duì)比度信息

（5）模型蒸餾

總結(jié)

以上是生活随笔為你收集整理的利用GAN实现QR Code超分辨率的研究的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。