文章目录
- [Kernel Prediction Networks DENOISE](#Kernel Prediction Networks DENOISE)
-
- [1.【论文复现】Kernel Prediction Networks](#1.【论文复现】Kernel Prediction Networks)
- [2. Burst Denoising with Kernel Prediction Networks cvpr2018](#2. Burst Denoising with Kernel Prediction Networks cvpr2018)
- [3. MULTI-KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES](#3. MULTI-KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES)
- [4. Weighted Multi-Kernel Prediction Network for Burst Image Super-Resolution](#4. Weighted Multi-Kernel Prediction Network for Burst Image Super-Resolution)
Kernel Prediction Networks DENOISE
1.【论文复现】Kernel Prediction Networks
https://zhuanlan.zhihu.com/p/73349632
2. Burst Denoising with Kernel Prediction Networks cvpr2018
效果还是很好的
博客：https://blog.csdn.net/zbwgycm/article/details/80987721
代码：https://github.com/google/burst-denoising
3. MULTI-KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES
和 2 挺接近：
主要是预测不同 kernel size的kernel.
另外为了减少计算量：
- 预测 n x n的kennel 改为 2 x n, 2维变1维 吗， 核分离技术
- inference的时候 先将各种kernel合并为一个
其他和2 基本一致：
使用 L2 灰度损失 和 L1梯度损失， 训练的时候采用退火训练方法。
效果比2好：
第1行是本文，第二行是 2 文， 其他是kernel size的大小，但是是分离的1d kernel, 所以计算成本比2d kernel小。
4. Weighted Multi-Kernel Prediction Network for Burst Image Super-Resolution
相比3 主要是引入 各个kernel的weight
比如 kernel size为1 ，3， 5.。。 的kernel 的weight， 3中是求平均，这里会预测weight, 然后加权。
code:https://github.com/chowy333/WMKPN-Burst_Super-Resolution