此时，需要自己手动安装 openssh-server，且 ssh 分为：客户端openssh-client 、服务端openssh-server。很明显，虚拟机中没有 ssh 服务。接下来通过 apt-get 源安装 ssh。若提示找不到可安装选项，可先更新下 apt-get，即。此时，已经安装成功，且正常启动了。可以查看虚拟机中是否安装了 ssh 服务。，然后再执行如下命令进行安装。

视频超分辨率（VSR）是从低分辨率视频重建高分辨率视频。近年来，基于深度神经网络的VSR方法取得了很大进展。然而，对这些方法很少有系统的综述。在本次调查中，我们全面调查了37种基于深度学习的最新VSR方法。众所周知，视频帧中包含的信息的利用对于视频超分辨率是重要的。因此，我们提出了一种分类法，并根据利用帧间信息的方式将这些方法分为七个子类别。此外，还包括对架构设计和实现细节的描述。最后，我们总结并

1、首先声明一个网络使用torchsummary可以查看模型的参数，和输入输出尺寸，但不能看FLOPs。 2、pip install thop可以显示总的FLOPs和参数量params，但不能显示每层的结构，有一些警告，但是没关系，因为relu是不参与计算参数量和FLOPs的。3、pip install torchstat可以显示总的FLOPs和参数量params，也可能显示每层的结构。.....

系统一是快速的、直觉的、基于记忆的反馈，比如，我们可以脱口而出十以内的加减运算。现有的超分方法更贴近系统一，它们主要依赖于从大量数据中学习图像的退化分布，忽视了对图像内容的理解，无法按照常识来准确恢复物体的结构和纹理，也无法处理域外的退化情况。例如，在图5的第二行，由于输入分布的差异，BLIP2会生成错误的图像描述，而CoSeR生成了内容一致的高质量参考图像。提出了一种基于认知特征的参考图像生成方

在实际应用中，对高效、轻量级的超分辨率（SR）提出了很高的要求。然而，大多数专注于减少模型参数和FLOP数量的现有研究可能不一定会导致移动设备上更快的运行速度。在这项工作中，我们提出了一种可重新参数化的构建块，即面向边缘的卷积块（ECB），用于高效的SR设计。在训练阶段，ECB提取多个路径中的特征，包括正常的3×3卷积、通道扩展和压缩卷积，以及来自中间特征的一阶和二阶空间导数。在推理阶段，可以将多

具有引导变形注意的递归视频恢复变换器视频恢复旨在从多个低质量帧中恢复多个高质量帧。现有的视频恢复方法通常分为两种极端情况，即，它们要么并行恢复所有帧，要么以重复的方式逐帧恢复视频，这将导致不同的优点和缺点。通常，前者具有时间信息融合的优点。然而，它具有大的模型大小和密集的内存消耗；后者具有相对较小的模型大小，因为它跨帧共享参数；然而，它缺乏长期依赖性建模能力和并行性。在本文中，我们试图通过提出一种

视频超分辨率（VSR）是从低分辨率视频重建高分辨率视频。近年来，基于深度神经网络的VSR方法取得了很大进展。然而，对这些方法很少有系统的综述。在本次调查中，我们全面调查了37种基于深度学习的最新VSR方法。众所周知，视频帧中包含的信息的利用对于视频超分辨率是重要的。因此，我们提出了一种分类法，并根据利用帧间信息的方式将这些方法分为七个子类别。此外，还包括对架构设计和实现细节的描述。最后，我们总结并

1、首先声明一个网络使用torchsummary可以查看模型的参数，和输入输出尺寸，但不能看FLOPs。 2、pip install thop可以显示总的FLOPs和参数量params，但不能显示每层的结构，有一些警告，但是没关系，因为relu是不参与计算参数量和FLOPs的。3、pip install torchstat可以显示总的FLOPs和参数量params，也可能显示每层的结构。.....

视频超分辨率（VSR）是从低分辨率视频重建高分辨率视频。近年来，基于深度神经网络的VSR方法取得了很大进展。然而，对这些方法很少有系统的综述。在本次调查中，我们全面调查了37种基于深度学习的最新VSR方法。众所周知，视频帧中包含的信息的利用对于视频超分辨率是重要的。因此，我们提出了一种分类法，并根据利用帧间信息的方式将这些方法分为七个子类别。此外，还包括对架构设计和实现细节的描述。最后，我们总结并

右键新生成的这个系列，【选择数据】在原数据后面添加辅助数据，如下图后面两列是新增的辅助列（红框中最后一列是目标汉字）链接：https://www.jianshu.com/p/2bd257128bfd。4.删除【系列名称】，【X轴系列值】选择辅助列最后一列，【Y轴系列值】填0。6.删除【系列名称】，【X轴系列值】选择辅助列最后一列，【Y轴系列值】不变。8.将系列2图表类型改为折线图，如图的预览区已经