参考：link （1） 下载 张书樵大神的项目，解压到本地博客目录的 themes/fluid/source/alec_diy/ 下，修改文件夹名为 live2d-widget （2）在主题配置文件的custom_js和custom_css中加入： 12345678custom_js: # live2d的js文件（2） - /alec_diy/live2d-widget/autoloa

[√] 添加悬浮音乐播放器 在fluid的主题配置文件中，提供了自定义html的位置，因此直接在主题配置文件中添加html代码 1234567custom_html: ' <!--音乐--> <link rel="stylesheet" href="https://cdn.jsdelivr.net/npm/aplayer@1.10.1/d

原文链接： DASR: 盲超分两大流派集成大者！ - 微信公众号 - AIWalker 2022-03-29 22:00 ps：本文为依据个人日常阅读习惯，在原文的基础上记录阅读进度、记录个人想法和收获所写，关于原文一切内容的著作权全部归原作者所有。 【本文要点】 对每个输入图像自适应估计其退化信息 点1：退化自适应预测网络 - 采用一个很小的回归网络预测输入图像的退化参数 点2：带多专家

原文链接： GhostSR|针对图像超分的特征冗余，华为诺亚&北大联合提出GhostSRepVGG - 微信公众号 - AIWalker 2021-01-22 22:00 ps：本文为依据个人日常阅读习惯，在原文的基础上记录阅读进度、记录个人想法和收获所写，关于原文一切内容的著作权全部归原作者所有。 【要点记录】 轻量化超分方案 结合了GhostNet中的特征融合思想，同时考虑了

原文链接： 学习Transformer：自注意力与多头自注意力的原理及实现 - CSDN - 此人姓于名叫罩百灵 2022-07-23 00:16:12 [√] 前言 自从Transformer[3]模型在NLP领域问世后，基于Transformer的深度学习模型性能逐渐在NLP和CV领域(Vision Transformer)取得了令人惊叹的提升。本文的主要目的是介绍经典Transforme

原文链接： 什么都可以以后再说，体检为什么不可以？ - 少数派 - 少数派编辑部 2023年01 月 12 日 ps：本文为依据个人日常阅读习惯，在原文的基础上记录阅读进度、记录个人想法和收获所写，关于原文一切内容的著作权全部归原作者所有。 ![img](D:\坚果云\Alec - backup files\typora pictures\c8040868-dc6a-a465-7c62-6a5

原文链接： Transformer再下一城！low-level多个任务榜首被占领，北大华为等联合提出预训练模型IPT - 微信公众号 - AIWalker 2020-12-02 22:30 ps：本文为依据个人日常阅读习惯，在原文的基础上记录阅读进度、记录个人想法和收获所写，关于原文一切内容的著作权全部归原作者所有。 [√] 导读 来自Transformer的降维打击！北京大学等最新发布论文，

原文链接： 不买可以先收藏 13：混动车型值得买吗？ - 少数派 - James_Tu 2023年1月20日 ps：本文为依据个人日常阅读习惯，在原文的基础上记录阅读进度、记录个人想法和收获所写，关于原文一切内容的著作权全部归原作者所有。 临近年底，打工人难免要犒劳下自己，任性买套房有点挑战，购置一辆新车在鞭炮声中开回家还是可以考虑的。而在油价高企的 2022 年不少老司机又直呼开不起车，只

原文链接： 食过境迁：当一个年轻人决定吃顿好的 - 少数派 - 拐子狼 ps：本文为依据个人日常阅读习惯，在原文的基础上记录阅读进度、记录个人想法所写，关于原文的一切内容的著作权全部归原作者所有。 编注： 本文是少数派 2022 年度征文活动的入围文章。本文仅代表作者本人观点，少数派对标题和排版略作调整。 今年我们采用了更加依赖用户反馈数据的奖金结算机制，充电、收藏和阅读量都将不同程度地影

原文链接： 我的文科转码之路：入门新领域的思路与方法 - 少数派 - pseudoyu 2022 年 12 月 27 日 [√] 编注 作者为香港大学计算机学院硕士，目前是区块链开发从业者。 以前并不算是一个很崇尚各种学习方法论的人，对这种「如何」体也比较无感，总觉得学习是一件很因人而异的事，常常固守着自己原本的习惯与方法。 发生转变是高中有一次在书店，遇到一些浙大的学生在售卖自己总结打印的

原文链接： 矩阵外积与内积 一个行向量乘以一个列向量称作向量的内积，又叫作点积，结果是一个数； 一个列向量乘以一个行向量称作向量的外积，外积是一种特殊的克罗内克积，结果是一个矩阵， 向量的点乘,也叫向量的内积、数量积，对两个向量执行点乘运算，就是对这两个向量对应位一一相乘之后求和的操作，点乘的结果是一个标量。 点乘的几何意义是可以用来表征或计算两个向量之间的夹角，以及在b向量在a向量方向上的

原文链接： L2范数归一化 - CSDN - zhihua_bupt L2 Normalization（L2归一化）反向传播推导 - 简书 (jianshu.com)

原文链接： 图像超分中的那些知识蒸馏 - 微信公众号：AIWalker - HappyAIWalker 2021-01-21 22:00 alec： distill = 蒸馏 dis，till（直到没了） [√] 概述 本文对三篇知识蒸馏在图像超分中的应用进行了简单的总结，主要包含： SRKD：它将最基本的知识蒸馏直接应用到图像超分中，整体思想分类网络中的蒸馏方式基本一致

原文链接： 深度学习(8)CNN中的通道注意力机制（SEnet、ECAnet），附Tensorflow完整代码 - CSDN - 立Sir 已于 2022-06-03 16:31:58 修改 版权声明：本文为CSDN博主「立Sir」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/dgvv4/article/

原文链接： SANet|融合空域与通道注意力，南京大学提出置换注意力机制 - AIWalker - HappyAIWalker 2021-02-04 22:00 ==论文简介== 提出了一种新的注意力机制：置换注意力机制。它在空域注意力与通道注意力的基础上，引入了特征分组与通道置换，得到了一种超轻量型的注意力机制。 alec： shuffle，混

原文链接： 最新！基于深度学习的盲图像超分技术一览 - 极市平台 - Happy 发布于 2021-07-12 10:33 整理到思维导图 [√] 论文信息 盲图像超分旨在对未知退化类型的低分辨率图像进行超分增强，由于其对于实际应用的重要促进作用而受到越来越多的关注。近来，有许多新颖、高效方案(主要是深度学习方案)已被提出。 尽管经过学术界、工业界多年的努力，盲图像超分仍然是一个极具挑

原文链接： 一层卷积能做啥？BOE告诉你：一层卷积可以做超分！（edge SR: SuperResolution For The Masses） - 公众号：AIWalker - Happy 2021-09-25 20:00 本文为端侧超分提出了一个极具价值的参考点 本文的几点贡献： 提出了几种一层架构以弥补经典与深度学习上采样之间的空白； 在1185中深度学习架构中进行了穷举搜索，可参考

原文链接： CVPR2022 | Restormer: 刷新多个low-level任务指标 - 公众号：AIWalker - Happy 整理到思维导图 [√] 论文信息 arXiv：https://arXiv.org/abs/2111.09881 code：https://github.com/swz30/Restormer 本文是MPRNet与MIRNet的作者在图像复原领域的又

原文链接： 学习盲图像超分辨率的退化分布 - CSDN - geriezmann 于 2022-04-08 17:16:52 版权声明：本文为CSDN博主「geriezmann」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/adhkcnbk/article/details/124046231 学习盲图像

原文链接： EDT：超越SwinIR，Transformer再一次占领low-level三大任务 2021-12-21 22:33 [√] 论文信息 alec： “用于下游视觉任务的高效transformer和图像预训练” EDT的性能超过IPT和SwinIR 本文主要是针对图像预训练任务进行了深入研究。 在超分任务中，预训练可以为更高层引入更多局部信息，进而产生显著性能提升。 多任务预

原文链接： XPixel团队提出混合注意力机制HAT：Transformer超分性能大涨1dB - Aminer - 数据派THU 2022-06-09 12:16 关键词: 注意力，性能，窗口尺寸，像素，训练策略 [√] 论文信息 该方法结合了通道注意力，自注意力以及一种新提出的重叠交叉注意力等多种注意力机制。 本文介绍作者提出的一种基于混合注意机制的Transformer（Hybrid A

参考：位置注意力和通道注意力机制 - CSDN - shu_0233 - 深度学习 [√] Position Attention Module 捕获特征图的任意两个位置之间的空间依赖，对于某个特定的特征，被所有位置上的特征加权和更新。权重为相应的两个位置之间的特征相似性。因此，任何两个现有相似特征的位置可以相互贡献提升，而不管它们之间的距离.。 alec： 位置注意力计算的是特征图的任意

参考： 总结部分注意力机制 - CSDN - 向上取整 - 专栏：计算机视觉 于 2022-10-20 14:00:55 [√] 部分注意力机制 [√] 1 - 空间注意力 [√] 1.1 - 自注意力 alec： 自注意力机制，是通过QK相乘，然后通过softmax激活函数，得到注意力权重，然后再乘上V得到注意力加权后的数据。 自注意力计算时通常分为三步： 第一步是将query

原文链接： NAFNet：图像去噪，去模糊新SOTA！荣获NTIRE 2022 超分辨率冠军方案！ - CSDN - 华为云开发者联盟 2022-05-30 14:00:02 导读：2022年4月，旷视研究院发表了一种基于图像恢复任务的全新网络结构，它在SIDD和GoPro数据集上进行训练和测试，该网络结构实现了在图像去噪任务和图像去模糊任务上的新SOTA。具体计算量与实验效果如下图所示：不仅

原文链接： 深度可分离卷积（Depthwise seperable convolution） - CSDN - 深度学习 - 冰雪棋书 于 2022-08-25 15:53:15 发布 alec： 深度可分离卷积的目的是为了轻量化网络 组卷积的目的也是为了轻量化网络 [√] 一、深度可分离卷积（Depthwise separable convolution） alec： separ

原文链接： 组卷积（group convolution） - CSDN - 专栏：深度学习 - 草帽-路飞 卷积中的分组卷积 - CSDN - 专栏：深度学习 - 草帽-路飞 于 2020-05-23 23:15:25 发布 说明分组卷积之前我们用一张图来体会一下一般的卷积操作。 一般的卷积会对输入数据的整体一起做卷积操作，即输入数据：H1×W1×C1；而卷积核大小为h1×w1，通道 为C1

原文链接： ECCV2020 Workshop-PAN-270k参数量SISR网络 | Efficient Image Super-Resolution Using Pixel Attention - CSDN - chenzy_hust 于 2020-10-08 12:21:53 [√] 论文信息 只说了参数量却没有比较速度，此外PA应用在大的网络中会降低性能！论文地址：https://ar

原文链接：VapSR | 手把手教你改进PAN，董超团队提出超大感受野注意力超分方案，已开源！ - 2022-10-24 08:00 - AIWalker 2022-10-24 08:00 [√] 论文信息 中文名称：使用超大感受野的注意力的高效图像超分 paper https://arxiv.org/abs/2210.05960 code https://github.com/zhoumum

原文链接：ACNet|增强局部显著特征，哈工大左旺孟老师团队提出非对称卷积用于图像超分 - AIWalker 2021-04-04 21:30 [√] 文章信息 Paper:https://arxiv.org/abs/2103.13634 Code:https://github.com/hellloxiaotian/ACNet 本文是哈工大左旺孟老师团队在图像超分方面的最新工作，已被IEE

AIM2020-ESR 冠军方案解读：引入注意力模块 ESA，实现高效轻量的超分网络（附代码实现） - 极市平台 - ExtremeMart 2020-09-30 [√] 文章信息 本文首发自公众号极市平台（微信公众号ID：extrememart），作者 @Happy，转载需获授权。 导读：该文是南京大学提出的一种轻量&高效图像超分网络，它获得了AIM20-ESR竞赛的冠军。它在I