该工具包括引导滤波器、引导上采样和残差插值。 请在示例文件夹中运行 runall.m。 参考： 导向过滤器： Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，欧洲计算机视觉会议 (ECCV)，2010 年。 Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，IEEE Trans。 模式分析和机器智能 (TPAMI)，卷。 35，第 6 期，第 1397-1409 页，2013 年。 引导上采样： Yusuke Monno、Masayuki Tanaka 和 Masatoshi Okutomi，使用引导滤波器的多光谱去马赛克，IS&T/SPIE 电子成像论文集 (EI2012)，数码摄影 VIII，第 8299 卷，第 82990O-1-7 页，2012 年 1 月。 残差插值： Yusuke Monno、Daisu

利用自适应残差插值的彩色图像去马赛克。

OpenCV在DNN模块中提供了基于残差SSD网络训练的人脸检测模型，tensorflow版本。

matlab代码影响ResDerainNet 使用残留深度学习（ICIP'18）去除单幅图像的雨水 [] 大多数户外视觉系统可能会受到阴雨天气的影响。 在本文中，我们从单个图像中解决了除雨问题。 由于低频层中信息的忽略，一些现有的去雨方法遭受色调变化。 其他人则没有假设足够多的雨天图像模型。 为了解决这些问题，我们提出了一种称为ResDerainNet的残留深度网络体系结构。 基于深度卷积神经网络（CNN），我们从数据中学习了雨天图像和残差图像之间的映射关系。 此外，为了进行训练，我们考虑了各种降雨模型来合成降雨图像。 具体来说，我们主要关注复合模型以及降雨条纹的方向和尺度。 实验表明，我们提出的模型适用于各种图像。 与最先进的方法相比，我们提出的方法在合成图像和现实图像上均能达到更好的效果。 引文 如果使用此代码，请引用本文。 @INPROCEEDINGS{8451612, author={T. {Matsui} and T. {Fujisawa} and T. {Yamaguchi} and M. {Ikehara}}, booktitle={2018 25th IEEE Inte

vs项目，代码难度并不是很高，使用TensorFlow原生的代码，不过是本人毕设的一套代码，读取文件夹的文件的图片为批次，然后使用批次调用深度残差网络进行训练，并进行保存。压缩包里包含了测试代码，因为本人的是文字识别所以用到了的预处理是关于文字的，样本集在我其他链接里。欢迎测试！

针对fluent运行过程中的残差震荡问题，给出了相应的解决方法，希望给使用者一定收获，谢谢支持！

参考链接：https://blog.csdn.net/OEMT_301/article/details/107094664。该代码可以在普通VGG网络中随意添加残差层，方便建立自己的网络模型。

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

ResNet 论文：Deep Residual Learning for Image Recognition Motivation：网络越深，能获取的信息越多，而且特征也越丰富。但是根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了（网络退化）。为了让更深的网络也能训练出好的效果，何凯明大神提出了一个新的网络结构——ResNet。这个网络结构的想法主要源于VLAD（残差的想法来源）和Highway Network（跳跃连接的想法来源）。 ResNet Block 残差学习模块包括identity mapping和residual mapping，其中前者指的

图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。