论文阅读笔记之——《Benchmarking Denoising Algorithms with Real Photographs》
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85002707 本博文为论文《Benchmarking Denoising Algorithms with Real Photographs》的阅读笔记 通过Gaussian noise来合成图片 benchmarking denoising techniques（基准测试去噪技术） 图像去噪传统的评价方法是针对人为合成的含噪图像（独立同分布高斯噪声）的原因：缺少真实的Ground
论文阅读笔记之——《Practical Signal-Dependent Noise Parameter Estimation From a Single Noisy Image》
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85003728 噪声水平估计对于非盲去噪方法是至关重要的，噪声水平估计质量直接影响去噪的质量。一般认为图像的噪声都是零均值噪声，所谓的噪声水平估计就是通过单张噪声图像估计高斯噪声的方差（或标准差） 噪声的分类 高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶
论文阅读笔记之——《DN-ResNet: Efficient Deep Residual Network for Image Denoising》
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85035190 本文提出的DN-ResNet，就是a deep convolutional neural network (CNN) consisting of several residual blocks (ResBlocks).感觉有点类似于SRResNet的思路。并且对于训练这个作者所提出的网络，作者还采用了edge-aware loss function 文章focuse
基于深度学习的图像去噪暨SRMD论文阅读笔记
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85043579 最近一直在做基于卷积神经网络的图像去噪~感觉资料比较凌乱，本博文就是整理好经典的论文材料~ 同时本博文也结合了阅读论文《Learning a Single Convolutional Super-Resolution Network for Multiple Degradations》时的心得体会 目录 Background DnCNN FFDNet CBDNet
实验——基于SRResNet的denoise
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85059863 本博文是采用SRResNet来实现图像去噪的实验记录 python train.py -opt options/train/train_ne.json.json setting（不知道为何，用我自己实现的srresnet需要两块GPU才可以跑起来，但是用xintao的可以一块就ok了，但都是跑得很慢~~~所以最终还是决定两块卡一起跑吧哎）
{
"name":
论文阅读笔记——《Crafting a Toolchain for Image Restoration by Deep Reinforcement Learning》
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85243623 这篇论文是CVPR 2018 (Spotlight)，是本人团队小伙伴余可的作品~ 代码链接：https://github.com/yuke93/RL-Restore 项目主页：http://mmlab.ie.cuhk.edu.hk/projects/RL-Restore/ 论文链接：https://arxiv.org/pdf/1804.03312.pdf 开篇给出
实验——基于pytorch的超分和去噪网络联合fine tuning
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85260137 本博文是本人实现超分和去噪网络联合训练与fine tuning的实验笔记 先基于之前博文《基于pytorch的噪声估计网络》处理的噪声图片，进行bicubic downsample的操作（应该先bicubic再加噪） 进入对应子目录下，运行 $ matlab -nodesktop -nosplash -r matlabfile python train.py -op
实验——TV Loss解决over fitting的问题
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85337689 以residual作为DnCNN的target的时候，会出现如下的overfitting的现象 而且，很奇怪的是，该现象仅仅会出现在LR图片上，而不是HR图上。本来可以通过提前终止训练就可以解决overfitting的问题，但是这个问题还是没有从根本上解决。为此，通过加入TVLOSS来达到正则化的作用 先给出TVLOSS（在之前博文中已经介绍过TVLOSS《 基于p
实验——基于pytorch的卷积神经网络deblur
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85320807 关于tensorboard的一些补充 更改tensorboard的路径：tensorboard --logdir tb_logger/ --port 6008 再通过服务器ip.6008通过电脑本地查看 matlab -nodesktop -nosplash -r matlabfile python train.py -opt options/train/train
实验——基于pytorch的blind restoration联合网络训练
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85688031 加噪和超分的处理可以参考本人github代码https://github.com/gwpscut/degradation-model-for-image-restoration 去噪和超分网络都可以参考本人之前的博文哈 subnetwork为DnCnn，主网络为SRResnet。subnetwork输出为noise level map。注意，博文《基于pytorch
实验——基于pytorch的noise estimation、blur estimation、SR级联网络
版权声明： https://blog.csdn.net/gwplovekimi/article/details/85774605 目录 setting 数据处理中的.mat文件 model network experiment python train_sub.py -opt options/train/train_noise_blur_sr.json tensorboard --logdir tb_logger/ --port 6008 处理数据的代码可以参考本人的GitHub（https:
论文阅读——《Crafting a Toolchain for Image Restoration by Deep Reinforcement Learning》
版权声明： https://blog.csdn.net/gwplovekimi/article/details/86152581 对于同一张图片的不同区域，需要的denoise的网络是一样的吗？有些区域可能很简单的网络就可以实现很好的效果，但有些区域需要比较复杂的网络才可以得到不错的效果。 对于不同的图片，也是如此，有些图片需要复杂的网络，有些图片不需要复杂的网络。 如何的自适应地去应对不同的condition？ existing dynamic networks treat all imag
《菊与刀》读后感作文5000字
《菊与刀》读后感作文5000字： 作者：李夏虫；于前天晚上结束了2019年第一本书的阅读，趁热打铁来说说，否则就永远搁浅了。很开心选择了《菊与刀》，没意料到开年第一本就打出了5颗星。 这是一本不到20万字数的小书，作者以文化形貌论谈论日本文化的特质，并从孩子教养的角度剖析日本人的生命史。 总体来说非常有意思，但也有美中不足。不足之处主要是翻译，我买此书之前的确没有做功课，事实证明盲买还是不灵。这本由开明出版社出版的秦墨所翻译的《菊与刀》，很多地方阅读起来让人感觉不仅原作家本尼迪克特写的时候较为
TypeScript--引用数据类型
引用数据类型 在TypeScript的数据分为：值类型/引用数据类型 在javascript中引用数据类型分为：Objet、Array、Date、RegExp（正则）、Function在TypeScript一样 引用数据类型是一种复合的数据类型，引用数据类型中封装了很多对属性，属性名：属性值。在ECMAScript中数组是有序的列表,与其他语言不同的是，ECMAScript数组的每一项是可以保存==任何类型==的数据,==而TypeScript要声明数组的类型== let My = {
OpenRead方法打开文件并读取
实现效果： 知识运用： File类的OpenRead方法 //实现打开现有文件以进行读取 public static FileStream OpenRead(string path) FileStream类的Read方法 //实现从流中读取字节块并将该数据写入给定的缓冲区 public overrider int Read (byte[] array, int offset, int count) 补充：Encoding类的GetStrin方法 //实现将字
CCF关于NOIP竞赛程序提交的管理规则
在NOIP复赛中，NOI各省组织单位必须严格遵循CCF《关于NOIP数据提交格式的说明》的规范在竞赛结束后规定时间内向CCF提交本赛区所有参赛选手的程序。 为竞赛的公平以及赛后按时完成竞赛程序的评测，制定本规则。 提高组：每次赛后3小时内提交，截止时间为当天15时； 普及组：赛后2小时内提交，截止时间为当天20时。 如未按照上述规定提交，则按如下规则予以处置： 1.对晚提交选手数据时间不超过24小时的： A.由省组织单位承担评测技术服务费，费用标准为：100元/人*晚提交时间（单位为小时，不满
记一次程序员半路撂挑子，老板带警察进公司抓人的经历
有人的地方就有江湖，有江湖的地方就有套路。我十二年的程序员生涯，经历了职场上的种种奇葩事。今天就通过一件真实的案例，告诉你一个道理： 把公司当做家，老板在场时口头上说说好了，可千万别当真。 核心员工，锋芒毕露 2010年的时候，我加盟一家创业公司。带我的师父王哥是从华为出来的，技术非常厉害。当时公司的架构从上到下是，老板——>技术总监——>软件经理——>我师傅——>我。我师父王哥在公司几乎扮演全能战士的职位。有些软件经理不懂的问题，都会找他去讨论，是一个深得老板信任的员工。老板很看重他，同时他
简单实现http proxy server怎么实现？
原文： https://blog.csdn.net/dolphin98629/article/details/54599850 简单实现http proxy server怎么实现？
MFC开发（一）简单同步时间应用程序
看了一个垃圾程序的架构，mmp真坑，自己费了一点功夫才搞定，就直接记录下吧，这个是windows简单的应用程序，但是里面有点复杂，我们需要首先建立一个基于mfc的appwinzard程序，（凭记忆写的，不知道单词有没有错误），然后我们直接在winmain类中添加下面的变量 # include<time.h>
# define WM_CLOCK USER+20
# define WM_CLOCK_INTERVAL 1000
struct tm *newdate;
time_t long_da
今日推荐
周排行