登录社区云，与社区用户共同成长
邀请您加入社区
摘要：本文复现了SRCNN、ESPCN、FSRCNN三种轻量级超分算法，并针对农业图像超分任务进行了优化改进。使用7000张农田图像构建数据集，通过高斯模糊(7×7,σ=1.6)+4倍下采样+高斯噪声(σ=0.01)模拟退化过程。在ESPCN中引入简化版SE注意力模块(压缩比8)，采用MSE+SSIM组合损失函数。项目提供完整实现方案，包括数据预处理、模型训练(300轮)、评估(PSNR/SSIM
本章以遥感影像的数据特点和内容输出质量为切入点，通过在生成式扩散模型的逆向过程中嵌入引导影像的高维先验信息，提出了一种基于条件引导的扩散模型遥感影像超分辨率重建方法，能够生成伪影更少、清晰度更高的影像样本，并具有良好的语义准确性。我们提出了一种基于卷积神经网络条件引导的扩散模型遥感影像超分辨率方法，结合设计的端到端策略，在包含多种遥感场景的三个遥感影像数据集和真实场景遥感影像数据上进行验证，该方法
本文介绍了论文查重与降重的适用范围及AI学术检测平台功能，主要涵盖： 适用范围 学业论文：本硕博毕业论文（知网/维普查重）、课程论文 期刊发表：中英文期刊投稿、会议论文、综述文章 科研文书：课题申报、职称论文、专利说明书等 AI学术检测平台服务 提供AI生成内容检测、文献查重、图像筛查、参考文献真伪验证 特色：多模型信号分析、海量数据比对、学术诚信全流程监控 优势：早发现风险、规范学术成果、维护科
本文聚焦2026年AI超分辨率重建技术，从技术原理到代码实战完整讲解图片高清化API的落地方法。文章首先解释超分辨率与传统插值放大的本质区别，对比在线工具、API接口、本地部署三大方案的适用场景与成本差异。随后通过证照照片变清晰的实测案例展示API实际效果，并附上Python、Java、PHP、C#四种语言的完整调用代码，帮助开发者快速完成接入。结合市场增长数据和场景化选型指南，为不同业务量级的企
本文提出了一种名为LSRNA（Latent Super-Resolution with Noise Alignment）的新框架，旨在解决扩散模型生成高分辨率图像时的效率瓶颈和结构一致性问题。该方法创新性地将超分辨率过程从像素空间转移到隐空间，通过轻量级隐空间超分网络快速提升分辨率，并设计噪声对齐机制解决分布不匹配问题。实验表明，LSRNA在保持生成质量的同时，将4K图像生成速度提升至现有方法的3
近年来，基于Swin Transformer、扩散模型（Diffusion）以及频域引导的方法，已经能让4倍低分辨率（LR）MRI恢复到接近高分辨率（HR）的解剖细节，同时去除Rician噪声（MRI特有的噪声分布）。在低SNR（SNR<5dB）时，Restormer能恢复出肉眼可见的皮层细节。在通道维度而非空间维度做自注意力，大大降低计算量，并能建模全局色彩/亮度偏差——这对MRI的偏置场噪声很
红外超分，Transformer（HAT）擅长长距离依赖，Mamba擅长线性复杂度高效建模——那能不能两个都用上？NTIRE 2026遥感红外超分第四名I2WM&JNU给出了肯定答案。他们采用HAT-L和MambaIRv2-L双模型独立训练，推理时HAT-L用TLC增强局部细节，MambaIRv2-L用自集成提升稳定性，最后加权融合。
本文介绍了一种结合对比学习与知识蒸馏的图像超分辨率重建方法，旨在解决现有深度学习方法参数量大、计算开销高的问题。通过从教师网络中蒸馏中间特征图的统计信息来训练轻量级学生网络，并引入对比损失函数利用正负样本约束学习过程。实验结果表明，该方法在保持重建性能的同时显著降低了模型复杂度，为资源受限设备上的超分应用提供了有效解决方案。
NTIRE2026首届遥感红外图像超分，冠军方案关注“数据质量”，而亚军XJRes选择在“模型架构”上做文章。他们提出了一种四分支异构集成框架：两个PFT分支——通过渐进聚焦注意力机制跨层传递注意力图，实现高效稀疏注意力聚合；两个HAT分支——融合通道注意力和窗口自注意力，结合重叠交叉注意力模块增强跨窗口特征交互。
本文详细介绍了MambaIR和FMambaIR模型的环境配置方法。针对Linux系统（Windows需通过WSL），提供了离线安装torch相关包和关键依赖库的解决方案，包括使用国内镜像源加速下载。文章特别指出Mamba核心组件mamba-ssm和causal-conv1d的安装注意事项，并分享了修改后的setup.py文件以解决内存不足问题。最后给出了训练配置修改建议和开源代码参考链接，帮助开发
摘要： 本文提出BMCNet，一种用于事件流超分辨率（ESR）的双流解耦网络，通过独立处理正负事件并设计双边信息交换模块（BIE）实现特征互补。传统方法混合处理正负事件导致边缘模糊，而BMCNet将二者解耦为独立分支，利用BIE在通道维度交互全局结构信息，增强细节恢复能力。实验表明，该方法在真实与合成数据集上性能提升超11%，且BIE模块可扩展至多模态任务。代码已开源。 （字数：149）
基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度参考文献：基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度主要内容：代码针对 P2G-CCS 耦合和燃气掺氢子系统，建立了掺氢燃气轮机、掺氢燃气锅炉、两段式电转气和碳捕集系统的数学模型；其次，在低碳政策层面，建立了阶梯碳交易模型对系统碳排放进行约束；最后，在建模基础上，提出了以碳交易成本、购气和煤耗成本、碳封存成本、机
MATLAB/Simulink汽车电动助力转向模型EPS模型模型包括整车二自由度模型，eps模型，上下转向柱模型，包括公式，整车参数，匹配计算，word文档，模型，使用说明电动助力转向系统控制系统电动助力转向系统被控系统逻辑门限值控制算法控制策略软件在环仿真测试详细计算步骤，公式搭建过程，仿真分析结果资料齐全，参数具备，完整过程。在汽车工程领域，电动助力转向（EPS）系统极大地提升了驾驶的舒适性与
轨迹跟踪CarSimMATLAB联合仿真模型预测控制横纵向协同控制【打包文件包括】-CarSim车型文件.cpar-MPC车速跟踪算法MPC_LongControl_Dyn_Alg.m-MPC横向路径跟踪算法MPC_LateralControl_Dyn_Alg_DLC3888.m-Simulink系统文件MPC_LateralControl_Dyn.slx-自己录制的CarSimMATLAB联合仿
MATLAB代码：高压直流输电关键词：MMC- HVDC，预测控制，电容均压两端MMC- HVDC输电模型是基于MAT LAB/simulink软件搭建的。下图的第一个和第二个模块分别是两侧的MMC模型，该模型的控制使用的是MPC控制策略，控制器是用C代码写的。同时，控制模型中用了电容电压均压策略。该模型的电压等级是20kV,上下子模块数量各10个，第3-5分别是三相电容电压的波形，其基本在2KV
CA法模拟动态再结晶，晶粒正常长大，利用元胞自动机生成拓扑晶粒模型，参数可调。元胞胞自动机模拟动态再结晶母相晶粒生成。本程序基于曲率驱动机制以及热激活机制，matlab编写，本程序模拟奥氏体晶粒正常长大过程。程序均有注释，仅作学习交流使用这段程序主要是用于生成晶粒取向随机分布的均匀化晶粒组织。程序的主要流程如下：1. 用户输入元胞空间大小（Nx和Ny）、形核点数目（numnucl）和随机数种子（m
这说明算法在动态响应和稳态精度之间找到了平衡点。根据永磁同步电机数学模型，经过一延时实时计算参考电压，采用SVPWM进行调制，得到参考电压用于控制电机达到指定转速。根据永磁同步电机数学模型，经过一延时实时计算参考电压，采用SVPWM进行调制，得到参考电压用于控制电机达到指定转速。若需提供模型问题咨询，也可不限于模型问题，可进行合理范围的修改，有偿～可提供模型定制服务～若需提供模型问题咨询，也可不限
极槽数选对：4极6槽集中绕组，小功率PMSM最优解之一，转矩密度高。磁钢用内插V型：比表贴转矩高，比矩形凸极率高，效率也上去了。匝数迭代：先估算再仿真调整，匹配母线电压和转速，避免反电动势过高/过低。这个模型刚好满足所有要求，要是你也做类似小功率电机，直接套这个框架改参数就行——MotorCAD的API真的省了不少手动点界面的时间，亲测好用~
注释拉满：每个物理场、每个参数旁边都标了用途，比如激光功率的注释是"默认1500W，熔覆层厚0.5mm，改功率对应改厚度"，新手也能上手。收敛性调烂了：时间步长用了自适应（1e-6s到5e-6s），松弛因子调到0.8，我跑了10次不同参数都没崩，普通16G内存的工作站就能跑。拓展性拉满：把激光热源改成高斯旋转热源就是激光焊接；调整材料添加速率就是增材制造的沉积过程；再加个结构力学模块，直接算相变后
两级式电力电子变换器仿真模型前级为三相全桥整流电路，输入380V交流电；后级为闭环Buck电路，采用PI控制，输出为10V直流电；matlab/simulink模型在电力电子领域，两级式电力电子变换器因其能够实现高效的电能转换而备受关注。今天咱们就来详细探讨一下一个特定的两级式电力电子变换器，前级是三相全桥整流电路，输入380V交流电，后级是采用PI控制的闭环Buck电路，最终输出10V直流电，并
别小看这个改动，当处理6台机组24时段的调度时，相当于把288个二元变量变成整数变量，CPLEX的求解速度能提升30%以上。求解计划时间内的6机30节点41支路的功率情况与机组的开停机情况，使得系统总成本达到最小。求解计划时间内的6机30节点41支路的功率情况与机组的开停机情况，使得系统总成本达到最小。与以前报告的模型相比，所提出的公式需要更少的二进制变量和约束，从而产生了显著的计算节省。与以前报
摘要：扩散模型（DDPM）是当前生成式AI的核心技术之一，通过渐进式加噪和去噪过程实现高质量内容生成。其核心原理包括正向扩散（逐步添加噪声）和反向去噪（神经网络学习去除噪声），训练目标简单稳定。相比GAN等传统模型，DDPM具有训练稳定、生成质量高等优势，已广泛应用于图像生成、语音合成等领域。虽然存在采样速度慢等局限，但通过后续改进已大幅提升效率。理解DDPM原理对掌握生成式AI技术具有重要意义。
