- 综合排序
- 最热优先
- 最新优先
《解锁图像“高清密码”：超分辨率重建之路》
在图像的世界里，高分辨率意味着更多细节、更清晰的画面，就像用高清望远镜眺望远方，一切都纤毫毕现。 在深度学习兴起前，传统方法就已在图像超分辨率重建领域开疆拓土。插值法是其中基础又常见的手段，就像给缺失拼图块的拼图做猜测补充。 在超分辨率重建里，基于GANs的方法优势显著。 图像超分辨率重建技术从传统方法一步步发展到深度学习、生成对抗网络，不断突破创新。 未来，随着技术持续进步，我们有理由期待它在更多领域大放异彩，为我们带来更清晰、更精彩的视觉世界，也许不久后，任何模糊图像都能轻松“变身”高清大片，让每一个细节都能被清晰看见。
38510编辑于 2025-04-19- 来自专栏网络工程师笔记
超干货！全国31所名校网络拓扑图全分析（高清版）
那些个说自己没有案例参考的，不知道怎么设计美观的，毫无头绪的……这下总有参考物了吧？
4.8K20编辑于 2022-10-31 - 来自专栏机器之心
低清视频也能快速转高清：超分辨率算法TecoGAN
视频超分辨率技术则更加复杂，不仅需要生成细节丰富的一帧帧图像，还要保持图像之间的连贯性。 重制的高清版游戏在画质上有很好的效果，而且还保留了原始纹理的美感与风格。 以下三幅动图的右半部分是用 TecoGAN 生成的，说不定用它来重制单机游戏会有更惊人的效果。 这个视频超分辨率 GAN 牛在哪里？ 自然图像超分辨率是图像和视频处理领域的一大经典难题。 该研究使用具备 ping-pong ordering 的扩展序列来训练网络，如图 5 所示。即最终附加了逆转版本，该版本将两个「leg」的生成输出保持一致。PP 损失的公式如下所示： ? ? 图 5：使用该研究提出的 Ping-Pong 损失，g_t 和 ? 之间的 L_2 距离得到最小化，以移除漂移伪影、改进时间连贯度。
6.6K10发布于 2019-04-29 - 来自专栏音视频咖
极速高清——给你带来全新的高清视野
为了能让自己有个愉快的游戏体验感，于是乎，深陷于研发高清画质的工作中…… ? 现在视频平台主流编码算法还是以H.264为主 普通转码 短视频和直播平台、视频网站对视频分源、超清、高清、流畅等不同档位，基本都是一些按分辨率和码率要求强制压缩转码，效果不理想都是以省码率为目标没有考虑用户观看体验 极速窄带高清 腾讯云极速高清、窄带高清以及netflix的动态编码都是基于场景、清晰度、分辨率、码率、帧率、编码算法、播放策略等目标在不降低甚至增强源视频画质体验的基础上降低视频码率 视频源和普通转码存在的问题 .264/JVT-G012 码率控制算法还是x264的码率控制算法在运动变化切换比较明显的场景下预编一次得到率失真理论凸曲线都是尽可能接近最优失真曲线，国内CDN带宽基本都是按95计费法，CDN带宽采样点是5分种的均值 ，对于这种运动场景实时检测切换比较明显的场景帧我们在x264码率控制的基础上会综合帧时序信息做一些补偿因子和画质控制，画质VMAF得分会有3-5分以上的提高 ?
3.8K62发布于 2018-09-12 - 来自专栏CSDN社区搬运
图像高清化
图像超分辨率是指从低分辨率图像恢复高分辨率图像的过程，是计算机视觉和图像处理中的一类重要技术。它在实际应用中有广泛的用途。随着深度学习的发展，超分辨率方法的性能取得了巨大飞跃。 然而，由于这些超分辨率方法大多是有监督的，因此它们受限于特定的训练数据，其中低分辨率图像是从其高分辨率对应图像中预先获得的。 图1：超分辨率示意图 该论文介绍了一种“零样本”图像超分辨率方法，利用单张图像内部信息的重复性训练小型卷积神经网络。 该方法可以针对不同的图像进行自适应调整，这使得其能够对真实图像或获取方式未知的图像进行高清化处理。 算法原理 论文提出的方法基于自然图像中强大的内部数据重复性。 在线体验的效果如图5所示，经观察可以发现图片在被放大的同时，细节变得更加丰富了。 图5：在线体验结果 使用方式 解压附件压缩包并进入工作目录。
67510编辑于 2024-12-13 - 来自专栏知晓程序
超多高清 GIF 表情包，让你称霸微信斗图界
身边总有那么几个人，能及时拿到新鲜出炉的表情包。难道是他们对表情包的流行趋势更为敏感？
1.6K30发布于 2018-07-30 - 来自专栏大数据和云计算技术
超融合方案分析系列（5）EMC vxrail超融合方案分析
前言 作者是国内研究超融合相当早的专家，有非常强的理论基础和实战经验。上几篇分析文章，对nutanix/VSAN/深信服/H3C等厂家的深入分析，引起了业界很大的反响。 超融合专家再出雄文！ 以下是超融合分析系列前面几篇，已经阅读过的同学可以跳过。 超融合概述 超融合产品分析系列（1）：nutanix方案 超融合方案分析系列（2）：VSAN的超融合方案分析 超融合方案分析系列（3）深信服超融合方案分析 超融合方案分析系列（4）H3C超融合方案分析 尤其是最新的v5 61xx系列CPU，基本上都是125w以上。将大部分CPU型号基本无法支持。 单节点最大支持4*4=16跟CPU，相比2U空间普遍支持24根内存条，支持的虚拟机更少。 同样，基于VSAN的方案，通常采用的是1:5的混合方案或者全闪存，6个磁盘槽位全部给数据盘，那么整个方案还需要有一个OS盘，在早期的材料中，我看到的是基于SLC的128G的SATADOM的做Esxi虚拟化
2.9K90发布于 2018-03-08 - 来自专栏机器学习算法与Python学习
推荐 | Python-ML中最常用的5张速查表（高清）
排名第一 【Python】：排名第三 【算法】：排名第四 转自：全球人工智能 1.Jupyter Notebook 2.NumPy Basics 3.Pandas Basics 4.Matplotlib 5.
1.1K40发布于 2018-04-08 - 来自专栏全栈程序员必看
高清视频编码格式_如何将高清视频转化为蓝光
收藏于 2012-01-09 迁移自个人百度空间 ————————— 高清视频编码最常用的编码格式是MPEG2-TS、MPEG4、H.264和VC-1这四种算法。 DVD即是MPEG2编码，随着技术的改进，它在高清视频方面也得到了应用。MPEG2最大的缺点就是文件体积过大，不过它也有一个优点，那就是相对于另外两种编码，它对于系统资源的消耗是最小的。 但JPEG2000计算量太大，压缩率不高，目前很难在嵌入式实时系统中实现，对存储传输也提出了较高的要求，目前仅有一些高清专用系统采用了这个算法。 (1080p 30fps、1080i 60fps、720p60fps)的同步多格式高清编码、解码与转码方面，表现出色。 还有一款高清入门级的TI芯片DM355，它内置了编解码算法实现，能够以720p格式与每秒30帧的速度提供高清MPEG4SP编解码能力，是快速开发入门级高清编码产品的不错选择。
2.6K30编辑于 2022-11-10 - 来自专栏知晓程序
超养眼！高清壁纸美图，这里有很多多多多多多多多多
小程序体验师：陆轶群 MoSplash，原本是一款 iOS app，能帮你搜集世界各地的无版权高清美图。 现在，它被移植到了小程序的平台上。 这意味着，不仅 Android 用户能获得这些高清美图，苹果用户们也可以省下购买 app 的一块钱了～（当然，小程序比 app 还是稍微少了一丢丢的收藏和搜索功能╮(╯-╰)╭） 先不管钱不钱的问题，更重要的是
59110发布于 2018-08-01 - 来自专栏音视频技术
B站开源自研动漫超分辨率模型，助力动漫UGC视频高清化
从马赛克到高清画质，从720P到4K，视频平台正在不断提升画质，但目前各大视频平台的超高清内容还并不是很多，其关键在于超高清视频的制作难度远超普通视频制作，对设备以及后期技术的要求，为视频内容贡献者带来了很大的阻碍 当输出图像分辨率大于输入图像分辨率时，该技术被称作AI超分辨率技术，经过该技术处理后的图像可以在指定分辨率实现高清化。 未来，B站将针对不同品类适配不同的超分算法，并且使用窄带高清算法降低卡顿率提高流畅度、辅助客观画质评测加主观评测系统保障视频质量。 优化纹理保留，削减模型处理痕迹 积极收集issue与用户意见，对模型进行持续优化改进 B站开源的动漫超分模型将助力更多的二次元UGC用户付出更少成本，更加便捷地制作出更高清高质的视频，同时有助于4K、 8K高清视频的普及与推广。
2.8K20编辑于 2022-02-11 - 来自专栏黑泽君的专栏
Linux学习_009_VMware12.0 Pro 中安装 CentOS 6.8_超详解 + 高清大图
5、安装Linux系统对应的【CentOS 64位】版 ? 6、虚拟机命名和指定安装磁盘位置 ? 7、处理器配置，看自己的母机是否是双核、多核，一般而言，虚拟机分配的处理器越多，虚拟机越快。
1.5K20发布于 2019-01-28 - 来自专栏人工智能头条
普通视频转高清：10个基于深度学习的超分辨率神经网络
超分辨率就可以解决这种问题。 超分辨率有很多应用，比如： 数字高清，通过这种方法来提高分辨率 显微成像：合成一系列显微镜下的低分辨率图像来得到高分辨率图像 卫星图像：用于遥感卫星成像，提升图像精度 视频复原：可以通过该技术复原视频， ▌超分辨率神经网络原理 超分辨率神经网络（Super-Resolution CNN，SRCNN）是深度学习应用在超分辨率领域的首个模型。原理比较简单。 以上就是最初的超分辨率的深度学习模型。 ? ▌9个超分辨率神经网络模型 SRCNN 是第一个超分辨率的神经网络模型。在 SRCNN 这个模型出现后，更多应用于超分辨率的神经网络模型。 可以理解为，一张模糊的图片，经过多个增强层，一级级变得更加清晰，最终得出高清图片。大家可以在名为tyshiwo的 Github 上找到源码。 ?
2.1K10发布于 2019-11-18 - 来自专栏镁客网
完成4K超高清电视5G网络传输测试
就在13日晚上，一场用5G网络进行4K电视高清传输测试的实验正式拉开序幕，这也是我国首次成功进行的5G网络4K传输测试，正在“酝酿”商业化应用的5G似乎离我们越来越近。 此次测试由中央广播电视总台联合中国移动以及华为共同完成，在具体的测试中，通过中国移动的5G试验网络，成功地将央视春晚深圳分会场4K超高清信号回传至中央广播电视总台北京机房，同时将总台的4K超高清北京景观信号传送至位于深圳分会场的总台 4K超高清转播车展现实时信号。 我国一直有5G新媒体平台建设计划，目前已初步完成实验室规划和系统准备，开展基于5G网络的4K高清传输、4KVR直播制作等多项应用实验。在即将开始的全国两会期间，还将会启用5G媒体应用实验室。 外界普遍的预测是在2019下半年，具备5G功能的商用产品将会陆续投放到市场，包括5G手机，以及具备5G功能的iPad等产品。 ?
61420发布于 2019-01-24 - 来自专栏css小迷妹
html5超简单贪吃蛇
//打印分数 context.clearRect(0,0,300,25); context.fillText("Score:"+text,5,5
51700发布于 2021-09-23 - 来自专栏Keegan小钢
价值超5万的撮合引擎：开篇
前言 自从有人在微信群里开价5万求购Golang版的撮合引擎之后，我就想自己开发一款，毕竟，以我的经验来说，开发个高性能的撮合引擎并没什么难度。 因此决定，干脆就以连载的方式，分享下我是如何设计与实现这款价值超5万的撮合引擎的。 本来，想发成掘金小册，收点稿费，毕竟这是个具有很大商业价值的软件，但问了掘金的人员，他们目前不接收这类主题。 5.检查用户的资产账户情况，包括账户状态是否交易受限，是否有足够资金用于下单等。6.将详细的委托单数据持久化到数据库，并冻结用户账户中相应数量的资金。
1.9K52发布于 2019-11-20 - 来自专栏生物信息学
5个超棒的在线配色神器
4 Color Hunt https://colorhunt.co/ 这个网站也提供了超多种配色方案，可以通过点赞数来找到大家都喜欢的配色方案，当然，你也可以在这里上传你自己的配色方案。 5 Paletton http://paletton.com Paletton 类似 于Adobe Color CC里面的配色工具，但是它是在线版的，方便随时使用，而且可以选择的颜色种类更多！
2.2K20发布于 2020-04-14 - 来自专栏Pythonista
git高清技能图
? ? ? ?
91920发布于 2018-12-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-5 超参数
本小节主要介绍超参数相关的概念。 ? 超参数 通过前面的小节，我们知道了kNN算法中k这个参数值，在sklearn中k这个值被封装成了k_neighbors参数。 这就涉及到了机器学习领域非常重要的问题~超参数问题。 我们将这些在运行机器学习算法之前需要指定的参数，称之为超参数。kNN算法中的k就是kNN算法的超参数。 如何寻找好的超参数： ? ，通常这些默认数值都是一些比较好的经验数值，比如kNN在sklearn中，k值默认是5，此时的5就是经验上kNN算法比较好的数值； 实验搜索，通常来说，根据我们任务的不同，最好的超参数和经验数值是不一样的 看看有没有可能得到更好的超参数。 ? ? ? KNN其他的超参数 kNN中不仅有k这一个超参数，考不考虑距离也是kNN算法的超参数。 ?
74330发布于 2019-11-13 - 来自专栏登神长阶
【论文复现】图像高清化
概述 本文复现论文 “Zero-Shot” Super-Resolution using Deep Internal Learning[1] 提出的图像超分辨率方法。 图像超分辨率是指从低分辨率图像恢复高分辨率图像的过程，是计算机视觉和图像处理中的一类重要技术。它在实际应用中有广泛的用途。随着深度学习的发展，超分辨率方法的性能取得了巨大飞跃。 然而，由于这些超分辨率方法大多是有监督的，因此它们受限于特定的训练数据，其中低分辨率图像是从其高分辨率对应图像中预先获得的。 该论文介绍了一种“零样本”图像超分辨率方法，利用单张图像内部信息的重复性训练小型卷积神经网络。该方法可以针对不同的图像进行自适应调整，这使得其能够对真实图像或获取方式未知的图像进行高清化处理。 在线体验的效果如图5所示，经观察可以发现图片在被放大的同时，细节变得更加丰富了。 使用方式 解压附件压缩包并进入工作目录。
33010编辑于 2024-12-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号