【毫米波混合波束成形】第3章 深度展开网络：将迭代优化嵌入计算图

深度快门展开网络 这个软件库包含的代码和数据集再现从本文的结果由，，和 。 可以从找到其他补充材料。 您也可以从我们的和找到更多详细信息。 我们提出了一种用于卷帘效应校正的新颖网络架构。 我们还为深度网络培训和评估贡献了两个大型数据集。 我们的网络连续拍摄两个连续的快门图像，并预测最新帧的相应全局快门图像。 我们的网络仅需要地面实况全局快门图像进行监控。 以下示例说明我们的网络能够纠正卷帘快门失真。 您可以在下面找到有关训练自己的模型和使用预先训练的模型的详细使用说明。 如果您发现我们的代码，数据集或书面文件有用，请考虑引用以下内容： @InProceedings{Liu2020CVPR, author = {Peidong Liu and Zhaopeng Cui and Viktor Larsson and Marc Pollefeys}, title = {Deep

， ，瑞士苏黎世联邦理工学院 [ ] [ ] [ ] 经典SR退化模型假设下的近似双三次核 PSNR结果 USRNet的视觉结果 USRGAN的视觉结果 双三次降解的结果 去模糊的结果 普遍性 实像SR 引文 经典SISR退化模型 对于比例因子 ，SISR的传统（传统）降级模型假定为低分辨率（LR）图像 是高分辨率（HR）图像的模糊，抽取和有噪点的版本 。 从数学上讲，它可以表示为 在哪里 表示的二维卷积 具有模糊内核 ， 表示标准 倍向下采样器，即保持每个不同像素的左上像素 修补并丢弃其他信号，通常假定n为加性高斯白噪声（AWGN），由标准偏差（或噪声水平）指定 。 通过明确的物理含义，它可以通过为基础的HR图像设置适当的模糊核，比例因子和噪声来近似各种LR图像。 特别地，已经在基于模型的方法中进行了广泛的研究，该方法解决了MAP框架下的数据项和先前项的组合。 特别值得注意的是