记录几篇Transformer的超分辨率重建论文。1 Learning Texture Transformer Network for Image Super-Resolution（TTSR， CVPR2020）本文引用已经有200多了。 原文链接1.1 摘要文章做的是RefSR工作，主要观点是将Transformer作为一个attention，这样可以更好地将参考图像（Ref）的纹理信息转移到高

1 ffmpeg安装无论是有权限的大佬，还是我这种没有权限的渣渣。我全部推荐直接解压release版本的安装方法。最新的ffmpeg版本已经包括了libvmaf其他的各种编译或者用权限安装的，我都试过，最后还是发现直接解压release版本太方便了1.1 下载release包下载地址：https://johnvansickle.com/ffmpeg/我使用的ubantu18下载的是里面的 ffmp

具体表现为：输入conda 提示:ModuleNotFoundError: No module named 'CommandNotFound'或者 输入 python，但打开系统默认的。解决方法：1、直接输入source ~/.bashrc再次更新bashrc后试试2、再次添加环境# 将anaconda的bin目录加入PATH，根据版本不同，中间路径需修...

通过stat、thop、fvcore等工具统计常见CNN，Transformer的参数量，Mac，flops等信息

Python3.6适配的opencv版本是opencv-python 4.5.4.60。第一种可能性当然是 更新setuptools。就是python和opencv版本不匹配。

使用cv2将rgb转hcv遇到该问题原始错误代码：img = np.zeros([ct_array_crop.shape[1], ct_array_crop.shape[2], 3])img_slice = ct_array_crop[0]img[:,:,0], img[:,:,1],img[:,:,2] = img_slice, img_slice, img_sliceimg...

整理一下深度学习用于运动估计和运动补偿的论文列表。大致按照内容与时间区分。鉴于工作量太大，而且MEMC这块点击量很少，就不介绍文章内容了。

作为cv的基础，数据增扩是很重要的一环。一般来说主要有以下几种：1、通过openCV操作 2、使用torchvision.transform3、使用torchvision.transform.function 4、使用nvidia.dali5、albumentations库。对应的数据也一般可以分为1、单图处理，如分类。2、同尺寸多个数据处理，如分割，去噪。3、不同尺寸多个数据处理，如超分。下面将

记录几篇Transformer的超分辨率重建论文。1 Learning Texture Transformer Network for Image Super-Resolution（TTSR， CVPR2020）本文引用已经有200多了。 原文链接1.1 摘要文章做的是RefSR工作，主要观点是将Transformer作为一个attention，这样可以更好地将参考图像（Ref）的纹理信息转移到高

整理一下深度学习用于运动估计和运动补偿的论文列表。大致按照内容与时间区分。鉴于工作量太大，而且MEMC这块点击量很少，就不介绍文章内容了。