基于元上采样的单幅图像任意尺度超分辨率重建

针对传统单幅图像超分辨率深度学习方法将不同尺度低分辨率视作独立任务的问题,提出一种以残差通道注意力模块作为特征提取,元上采样模块作为放大模块的超分辨率网络。残差通道注意力机制可以滤除冗余低频信息减少网络深度,使元上采样模块更好地训练不同尺度低分辨率图像特征间的关系,实现任意尺度的超分辨率网络。为了验证该方法有效性,在Set5、Set14、Urban100等公共数据集上实验。实验结果表明,该方法在整数与非整数倍尺度都能很好地恢复高分辨率图像。

从失范到规范:谈健身气功的发展

文章采用文献资料法、逻辑分析法、实地调查等研究方法,以社会失范理论为视角,运用理论分析与量化研究范式,从经济因素、制度因素、文化因素探讨健身气功发展所面临的失范困境,分析了健身气功人才队伍建设、竞赛体质、国内外推广传播现状,认为:要实现健身气功从失范到规范化的发展,需继续深入挖掘健身气功文化内涵,在继承传统文化精髓的基础上科学普及健身气功,围绕发展问题创新发展意识,在吐故纳新中走向规范化的发展之路。

基于特权信息学习的高效单幅图像超分辨重建

在过去十年中,卷积神经网络(CNN)在单图像超分辨率(SISR)方面取得了显著进步。但是,大多数基于特征信息的卷积神经网络(CNN)的SR方法都专注于质量指标(例如PSNR和SSIM)方面获得优于传统方法的性能提升,这通常需要大量的内存和计算单元。针对这一问题,采用了一个新的框架,该框架由一个教师和一个学生网络组成,通过利用FSRCNN架构可以提高SR任务的性能。具体地,教师网络通过学习特权信息负责模拟图像降采样后恢复的过程,学生网络采用FSRCNN的结构并使用教师网络训练完毕的解码器恢复HR图像。在Set5、Set14、Urban100等公共数据集上实验,实验结果表明,该方法能提高传统注意力机制网络的性能。

基于高倍特征残差网络的压缩感知图像重构

压缩感知图像重构要求从远低于奈奎斯特采样率的数据中恢复高分辨率图像,在光学和雷达系统、医学成像、射电天文学等成像领域具有广泛需求。深度学习网络能够自动提取数据的高层次特征,近年来在图像重构领域得到广泛应用。为进一步提高图像重构性能,提出了一种基于高倍特征残差网络结构的重构模型。该模型中采样部分应用非重叠卷积核卷积采样,重构部分在保证网络参数量合理的同时,设计了特征图倍增的残差网络结构。训练模型时采用l1范数和结构相似度指标组合的损失函数。实验结果表明,基于本模型的图像重构质量优于其它重构模型。

浅析健身气功中道家文化的养生理念

运用文献资料法和逻辑分析法等方法,分析了中国道家传统思想中的阴阳辩证观和天人相应整体相思相,与清静无为、重阴贵柔等养生方法在健身气功功法和理念中的应用。认为健身气功在汲取道家哲学思想和养生理念基础上,传承和弘扬了民族传统文化。健身气功不仅是练功之技,更是一种修身之"道"。