引言Abstract在过去的几年，深度学习技术使得图像修复领域产生了很大的进步。然而，很多技术仍然还是重建合理的结构，因为他们通常都过度平滑了图像或者模糊。这篇文章针对图像修复提出了新的方法，它能够较好地再现充满细节的区域。提出了两阶段的生成对抗模型 Edge Connect,该模型包含一个边缘生成器和一个图像修复网络。边缘生成器可以预测出缺失区域的边缘信息，而修复网络将边缘生成器预测得到的边缘信

1.NMS(非极大值抑制)介绍在目标检测算法中，对于一个真实物体的往往会有多个候选框输出，而我们只需一个最好的检测框，多余的候选框会影响检测的精度，因此需要利用NMS(非极大值抑制)来过滤掉重叠的候选框，得到最佳的候选框。所谓非极大值抑制就是说，对于多个重叠的检测框，它不是最好的框，那么就将抑制（删除），只保留一个最好的。2.算法所需的指标检测框的得分：NMS假设一个边框的预测得分越高，这个框就要

1.冗余码计算###1.循环冗余检验的原理例题：解：根据多项式的最高次幂得出冗余码的长度n=6。然后对生成多项式G(x)=x6+x5+x+1G(x)=x^6+x^5+x+1G(x)=x6+x5+x+1补全得到除数G(x)=1∗x6+1∗x5+0∗x4+0∗x3+0∗x2+1∗x1+x0G(x)=1*x^6+1*x^5+0*x^4+0*x^3+0*x^2+1*x^1+x^0G(x)=1∗x6+1∗x

1.函数封装'''函数描述：对给定的图片和坐标信息在图片上标框，并在框的上方标注出该框的名称函数参数：img_file_path=图片的绝对路径，new_img_file_path=保存后的绝对路径，points=[(str,[b0,b1,b2,b3])]返回值：无返回值注意事项：坐标[b0,b1,b2,b3]依次为左上角和右下角的坐标'''def draw_rectangle_by_point(

在卷积神经网络中，有使用设置padding的参数，配合卷积步长，可以使得卷积后的特征图尺寸大小不发生改变，那么在手动实现图片或特征图的边界零填充时，常用的函数是nn.ZeroPad2d(),可以指定tensor的四个方向上的填充，比如左边添加1dim、右边添加2dim、上边添加3dim、下边添加4dim，即指定paddin参数为（1，2，3，4），本文中代码设置的是（3，4，5，6）如下：impo

1.Generation,如何找到数据的分布比如说，在蓝色区域是人脸数据的分布，那么需要让机器找到这个分布。需要找到一个数据分布distributionPG(x;Θ)P_G(x;\Theta)PG​(x;Θ) parameterized by Θ\ThetaΘ那么需要找到一组Θ\ThetaΘ使得$P_G(x:\Theta) $ close $ p_{data}(x)$##2.KL Divergen

1.摘要​空洞卷积被大家所熟知的常见的卷积网络的一种，被广泛应用在深度卷积神经网络中（DCNN）,例如图像语义分割任务、目标检测、音频生成、视频建模、机器翻译等等。然而，空洞卷积也会造成网格伪影的现象，这严重阻碍了在DCNN中应用了空洞卷积的表现。在本工作中，作者提出了两种简单但有效的去网格方法，是通过研究分解空洞卷积实现来完成的。该工作不像目前已经存在的方法，那些通过堆叠级联空洞卷积层来探索解决

1.图像边缘产生的常见因素两个面的交界处因为图像的深度信息产生不同的颜色之间边界因为影子的产生2.边缘2.1边缘的定义边缘是图像像素值快速变化的地方那么可以用1阶导数的大小表示变化快慢，对于二维函数f(x,y),偏导数为对于离散的数据（比如说图像），那么近似的对x的偏导就可以写成如下：2.2如何用卷积实现对图像求导对图像按x轴方法求导，其实就是用[-1，1]卷积核在图像上进行卷积操作，对图像按y轴

1.介绍对高分辨率图像的去模糊、去噪、修复等，对于现实的纹理合成的一个关键的问题是：如何保证真实性或者是自然性？，我们知道利用GAN的生成能力可以生成较为真实的图片，但是在面对高分辨的图片时，在保证图像的全局结构的一致性的情况下，需要更加关注图像的细节，而传统GAN的鉴别器通常只能够关注到全局的信息。本文的主要改进点在于对鉴别器网络进行改进，整个鉴别器网络包括global GAN和 patch G

文章目录1. Motivation:2. Method2.1Convolutional Token Embedding 模块2.2 Convolutional Projection For Attention 模块2.3 如何实现分类任务2.4对于位置编码的思考？3.实验3.1实验设置3.1.1数据集：3.1.2 Model Variants（不同尺寸模型）3.1.3优化器设置3.2对比实验(消融