安装sensorsCPU 半个小时内存一个小时gpu半个小时make跑的时候看GPUsensors;echo;跑完看log。

跨服务器复制anaconda环境

现实世界中的低分辨率（LR）视频存在多样化和复杂的退化现象，这对视频超分辨率（VSR）算法在高质量地再现其高分辨率（HR）对应物时提出了巨大的挑战。最近，扩散模型在图像还原任务中展现出了令人信服的生成真实细节的性能。然而，扩散过程具有随机性，使得控制还原图像内容变得困难。当将扩散模型应用于视频超分辨率（VSR）任务时，这个问题变得更加严重，因为时间一致性对视频的感知质量至关重要。在本文中，我们通过

视频超分辨率（VSR）旨在从低分辨率（LR）视频重建高分辨率（HR）视频，近年来取得了巨大进展。然而，将现有的超分辨率视频重建方法应用于具有复杂退化的真实世界数据仍然具有挑战性。1、一方面，现有的与实际情况高度对齐的超分辨率视频重建（VSR）数据集较少，尤其是具有较大超分辨率缩放因子的，这限制了实际超分辨率视频重建任务的发展。2、另一方面，现有视频超分辨率方法中的对齐算法在处理真实世界的视频时表现

我们提出了VEnhancer，这是一种生成时空增强框架，通过在空间领域中添加更多细节以及在时间领域中合成详细的运动，从而改善现有的文本到视频的结果。针对生成的低质量视频，我们的方法可以通过统一的视频扩散模型同时提高其空间和时间分辨率，支持任意的上采样空间和时间尺度。此外，VEnhancer有效地去除了生成视频中的空间伪影和时间闪烁现象。为此，我们基于预训练的视频扩散模型，训练一个视频控制网络，并将

pytorch的`F.pixel_unshuffle` 转onnx 的 `SpaceToDepth`，

windows远程连接linux服务器进行操作，有多种方式。可以借助ssh客户端，MobaXtermfinalshell等，这两个我觉得是不错的软件。当然如果需要在服务器编写代码，我还是建议使用vscode这个神奇的工具。怎么用vscode远程连接服务器代码呢？

本文记录总结pytorch中四种归一化方式的原理以及实现方式。方便后续理解和使用。

新电脑配置pytorch深度学习环境，附录有安装包哦

解决vscode的python3.6调试问题