yiwangcc 
课程介绍
有三AI-CV中阶-图像质量组（2024年），经百课优（baikeu.com）精心整理发布。图像质量小组需要掌握与图像质量相关的内容，学习的东西包括8大方向：图像质量评价，图像构图分析，图像降噪，图像对比度增强，图像去模糊与超分辨，图像风格化，图像深度估计，图像修复。
相关课程推荐：
课程资源目录
├── 1__深度学习之图像增强GAN—理论与实践/
│ ├── [7.4M] 1__课程介绍
│ ├── [ 34M] 2__第1.1节-图像降噪（基础篇）
│ ├── [135M] 3__第1.2节-图像降噪（进阶篇）
│ ├── [ 15M] 4__第1.3节-DANet图像降噪实战（项目介绍）
│ ├── [ 66M] 5__第1.4节-DANet图像降噪实战（数据读取）
│ ├── [ 32M] 6__第1.5节-DANet图像降噪实战（模型搭建）
│ ├── [ 70M] 7__第1.6节-DANet图像降噪实战（模型训练）
│ ├── [ 33M] 8__第1.7节-DANet图像降噪实战（模型测试）
│ ├── [ 52M] 9__第2.1节-色调映射（基础篇）
│ ├── [ 97M] 10__第2.2节-色调映射（进阶篇）
│ ├── [ 19M] 11__第2.3节-EnlightenGAN图像增强实战（项目介绍）
│ ├── [ 41M] 12__第2.4节-EnlightenGAN图像增强实战（数据读取）
│ ├── [132M] 13__第2.5节-EnlightenGAN图像增强实战（模型搭建）
│ ├── [ 78M] 14__第2.6节-EnlightenGAN图像增强实战（模型训练）
│ ├── [ 59M] 15__第2.7节-EnlightenGAN图像增强实战（模型测试）
│ ├── [ 83M] 16__第3.1节-图像超分辨（基础篇）
│ ├── [117M] 17__第3.2节-图像超分辨（进阶篇）
│ ├── [ 28M] 18__第3.3节-SRGAN超分辨实战（项目简介）
│ ├── [ 39M] 19__第3.4节-SRGAN超分辨实战（数据处理）
│ ├── [ 75M] 20__第3.5节-SRGAN超分辨实战（模型搭建与训练）
│ ├── [ 30M] 21__第3.6节-SRGAN超分辨实战（模型测试）
│ ├── [ 55M] 22__第4.1节-图像去模糊（基础篇）
│ ├── [ 57M] 23__第4.2节-图像去模糊（进阶篇）
│ ├── [ 39M] 24__第5.1节-图像修复（基础篇）
│ ├── [112M] 25__第5.2节-图像修复（进阶篇）
│ ├── [ 250] 26__数据与代码.html
│ └── 资料代码/
├── 2__深度学习之图像翻译与风格化GAN—理论与实践/
│ ├── [10.0M] 1__0 课程介绍
│ ├── [ 28M] 2__1 图像翻译与风格迁移基础
│ ├── [ 49M] 3__2 有监督图像翻译模型
│ ├── [ 74M] 4__3 无监督图像翻译模型
│ ├── [ 20M] 5__4.1 Pix2Pix图像上色实战（项目简介与原理回顾）
│ ├── [ 61M] 6__4.2 Pix2Pix图像上色实战（数据读取）
│ ├── [138M] 7__4.3 Pix2Pix图像上色实战（模型搭建）
│ ├── [ 76M] 8__4.4 Pix2Pix图像上色实战（模型训练）
│ ├── [ 40M] 9__4.5 Pix2Pix图像上色实战（模型测试）
│ ├── [ 57M] 10__5.1 多域图像翻译模型（上）
│ ├── [ 70M] 11__5.2 多域图像翻译模型（下）
│ ├── [ 21M] 12__6.1 StarGAN人脸表情编辑实战（项目简介与原理回顾）
│ ├── [ 41M] 13__6.2 StarGAN人脸表情编辑实战（数据读取）
│ ├── [ 33M] 14__6.3 StarGAN人脸表情编辑实战（模型搭建）
│ ├── [ 91M] 15__6.4 StarGAN人脸表情编辑实战（模型训练）
│ ├── [ 33M] 16__6.5 StarGAN人脸表情编辑实战（模型测试）
│ ├── [ 30M] 17__7.1 BeautyGAN人脸美妆实战（项目简介）
│ ├── [ 75M] 18__7.2 BeautyGAN人脸美妆实战（数据读取）
│ ├── [ 73M] 19__7.3 BeautyGAN人脸美妆实战（模型搭建）
│ ├── [211M] 20__7.4 BeautyGAN人脸美妆实战（模型训练）
│ ├── [ 20M] 21__7.5 BeautyGAN人脸美妆实战（模型测试）
│ ├── [ 286] 22__参考资料（图文）.html
│ ├── [ 250] 23__数据与代码.html
│ └── 资料代码/
├── 3__深度学习之图像分类—理论与实践/
│ ├── [168M] 1__《深度学习之图像分类》直播答疑04
│ ├── [246M] 2__《深度学习之图像分类》直播答疑03
│ ├── [118M] 3__《深度学习之图像分类》直播答疑02
│ ├── [211M] 4__《深度学习之图像分类》直播答疑01
│ ├── [7.9M] 5__0 课程简介
│ ├── [ 92M] 6__1 图像分类基础
│ ├── [ 97M] 7__2 多类别图像分类理论
│ ├── [ 11M] 8__3.1 从零完成表情识别实践（项目背景）
│ ├── [ 85M] 9__3.2 从零完成表情识别实践（数据处理与读取）
│ ├── [ 53M] 10__3.3 从零完成表情识别实践（模型搭建与训练）
│ ├── [ 22M] 11__3.4 从零完成表情识别实践（模型测试）
│ ├── [ 36M] 12__4.1 简单图像分类数据增强实战（接口简介）
│ ├── [ 50M] 13__4.2 简单图像分类数据增强实战（实验比较）
│ ├── [ 70M] 14__5.1 细粒度图像分类理论
│ ├── [ 329] 15__5.2 细粒度图像分类参考资料（图文）.html
│ ├── [ 18M] 16__6.1 鸟类细粒度图像分类实战（项目简介）
│ ├── [ 24M] 17__6.2 鸟类细粒度图像分类实战（数据读取）
│ ├── [ 48M] 18__6.3 鸟类细粒度图像分类实战（模型搭建与训练）
│ ├── [ 38M] 19__7.1 多标签图像分类理论
│ ├── [ 329] 20__7.2 多标签图像分类参考资料（图文）.html
│ ├── [ 74M] 21__8.1 生活用品多标签图像分类实战（多标签分类简介及算法简介）
│ ├── [102M] 22__8.2 生活用品多标签图像分类实战（数据集制作及读取）
│ ├── [123M] 23__8.3 生活用品多标签图像分类实战（训练）
│ ├── [ 54M] 24__8.4 生活用品多标签图像分类实战（测试）
│ ├── [ 64M] 25__9.1 半监督与无监督分类理论
│ ├── [ 341] 26__9.2 半监督与无监督图像分类参考资料（图文）.html
│ ├── [ 35M] 27__10.1 零样本分类理论
│ ├── [ 324] 28__10.2 零样本图像分类参考资料（图文）.html
│ ├── [ 13M] 29__11.1 血红细胞图像分类竞赛（内容简介）
│ ├── [ 12M] 30__11.2 血红细胞图像分类竞赛（思路分析）
│ ├── [ 61M] 31__11.3 血红细胞图像分类竞赛（基础功能实现-数据集的统计分析）
│ ├── [ 61M] 32__11.4 血红细胞图像分类竞赛（基础功能实现-网络模型构建）
│ ├── [ 60M] 33__11.5 血红细胞图像分类竞赛（基础功能实现-训练）
│ ├── [ 23M] 34__11.6 血红细胞图像分类竞赛（学习率调整）
│ ├── [ 19M] 35__11.7 血红细胞图像分类竞赛（标签平滑）
│ ├── [ 31M] 36__11.8 血红细胞图像分类竞赛（知识蒸馏）
│ ├── [ 30M] 37__11.9 血红细胞图像分类竞赛（投票策略）
│ ├── [ 18M] 38__11.10 血红细胞图像分类竞赛（TTA策略）
│ ├── [ 274] 39__代码与数据.html
│ └── 资料代码/
├── 4__深度学习之模型设计—理论与实践d/
│ ├── [7.7M] 1__0_课程介绍
│ ├── [1.7M] 2__1.1.0_经典浅层卷积网络设计_简介
│ ├── [ 67M] 3__1.1.1_Neocognitron
│ ├── [ 28M] 4__1.1.2_TDNN
│ ├── [9.9M] 5__1.1.3_Cresceptron
│ ├── [ 93M] 6__1.1.4_LeNet
│ ├── [710K] 7__1.2.0_网络深度对分类模型的影响_简介
│ ├── [ 61M] 8__1.2.1_经典的网络AlexNet
│ ├── [ 53M] 9__1.2.2_更深的网络VGGNet
│ ├── [ 89M] 10__1.2.3_梯度问题与ResNet
│ ├── [3.9M] 11__1.3.1_ResNet垃圾分类任务介绍
│ ├── 【更多it资源 www.baikeu.com】
│ ├── [135M] 12__1.3.2_ResNet垃圾分类数据集预处理
│ ├── [ 53M] 13__1.3.3_ResNet垃圾分类数据读取
│ ├── [ 50M] 14__1.3.4_ResNet垃圾分类模型训练
│ ├── [ 18M] 15__1.3.5_ResNet垃圾分类模型测试
│ ├── [107M] 16__1.3.6_ResNet垃圾分类模型调优
│ ├── [5.0M] 17__2.1.0_经典模型的宽度设计思想_简介
│ ├── [ 91M] 18__2.1.1_通道数量调整
│ ├── [509K] 19__2.1.2_多分支网络结构
│ ├── [ 37M] 20__2.1.3_通道补偿技术
│ ├── [612K] 21__2.2.0_网络宽度对模型性能影响_简介
│ ├── [ 42M] 22__2.2.1_多通道的网络Inception-v1
│ ├── [ 98M] 23__2.2.2_拓宽的残差网络ResNeXt
│ ├── [ 11M] 24__2.3.1_InceptionNet花卉分类实战-项目简介
│ ├── [127M] 25__2.3.2_InceptionNet花卉分类实战-模型搭建（Inception V1）
│ ├── [140M] 26__2.3.3_InceptionNet花卉分类实战-模型搭建（Inception V2V3）
│ ├── [355M] 27__2.3.4_InceptionNet花卉分类实战-模型搭建（Inception V4）
│ ├── [ 76M] 28__2.3.5_InceptionNet花卉分类实战-模型训练
│ ├── [ 40M] 29__2.3.6_InceptionNet花卉分类实战-模型测试
│ ├── [ 280] 30__经典模型参考资料（图文）.html
│ ├── [ 81M] 31__3.1.1_STN
│ ├── [ 72M] 32__3.1.2_DynamicCapacityNetworks
│ ├── [ 37M] 33__3.1.3_Learn to Pay Attention
│ ├── [ 55M] 34__3.2.1_SENet
│ ├── [ 32M] 35__3.2.2_SKNet
│ ├── [ 34M] 36__3.2.3_ResNeSt
│ ├── [ 62M] 37__3.3.1_CBAM
│ ├── [ 29M] 38__3.3.2_BAM
│ ├── [ 68M] 39__3.3.3_ResidualAttention
│ ├── [ 27M] 40__3.3.4_Dual Attention Network
│ ├── [ 77M] 41__3.4.1_基于SENet模型的人种分类-数据集介绍与读取
│ ├── [ 21M] 42__3.4.2_基于SENet模型的人种分类-模型搭建通用模板
│ ├── [186M] 43__3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型
│ ├── [ 33M] 44__3.4.4_基于SENet模型的人种分类-模型训练通用模板
│ ├── [ 74M] 45__3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练
│ ├── [ 298] 46__注意力机制模型参考资料（图文）.html
│ ├── [ 67M] 47__4.1.1_Xception理论介绍
│ ├── [ 73M] 48__4.1.2_Xception代码讲解
│ ├── [ 54M] 49__4.2.1_MobileNet V1理论介绍
│ ├── [ 40M] 50__4.2.2_MobileNet V1代码讲解
│ ├── [ 64M] 51__4.3.1_MobileNet V2理论介绍
│ ├── [ 25M] 52__4.3.2_MobileNet V2代码讲解
│ ├── [ 59M] 53__4.4.1_shufflenetv1_理论
│ ├── [ 37M] 54__4.4.2_shufflenetv1_代码
│ ├── [ 71M] 55__4.5.1_shufflenetv2理论
│ ├── [ 27M] 56__4.5.2_shufflenetv2代码
│ ├── [ 60M] 57__4.6.1_squeezenet理论
│ ├── [ 23M] 58__4.6.2_squeezenet代码
│ ├── [ 298] 59__轻量级模型设计参考资料（图文）.html
│ ├── [ 31M] 60__5.1.1_通用的分类任务训练代码
│ ├── [7.4M] 61__5.1.2_利用Tensorboard监控训练速度
│ ├── [ 17M] 62__5.1.3_通用的分类任务预测代码
│ ├── [8.2M] 63__5.2.1_Pytorch模型格式转换与优化
│ ├── [ 41M] 64__5.2.2_安卓部署单张图片识别app
│ ├── [ 56M] 65__5.2.3_安卓部署实时识别app
│ ├── [ 250] 66__数据与代码.html
│ └── 资料代码/
├── 5__基于EnlightenGAN的自然图像增强实战/
│ ├── [ 19M] 1__第1节_项目介绍
│ ├── [ 41M] 2__第2节_数据读取
│ ├── [132M] 3__第3节_模型搭建
│ ├── [ 78M] 4__第4节_模型训练
│ ├── [ 59M] 5__第5节_模型测试
│ ├── [ 249] 6__数据与代码.html
│ └── 资料代码/
├── 6__基于DANet的自然图像降噪实战/
│ ├── [ 15M] 1__第1节_项目简介
│ ├── [ 66M] 2__第2节_数据读取
│ ├── [ 32M] 3__第3节_模型搭建
│ ├── [ 70M] 4__第4节_模型训练
│ ├── [ 33M] 5__第5节_模型测试
│ ├── [ 249] 6__数据与代码.html
│ └── 资料代码/
├── 7__基于Pix2Pix的黑白图像上色实战/
│ ├── [ 20M] 1__第1节_项目简介与原理回顾
│ ├── [ 61M] 2__第2节_数据读取
│ ├── [138M] 3__第3节_模型搭建
│ ├── [ 76M] 4__第4节_模型训练
│ ├── [ 40M] 5__第5节_模型测试
│ ├── [ 249] 6__数据与代码.html
│ └── 资料代码/
├── 8__基于SRGAN的图像超分辨实战/
│ ├── [ 28M] 1__第1节-项目原理
│ ├── [ 39M] 2__第2节-数据处理
│ ├── [ 75M] 3__第3节-模型搭建与训练
│ ├── [ 30M] 4__第4节-模型测试
│ ├── [ 249] 5__数据与代码.html
│ └── 资料代码/
├── 9__基于Real-ESRGAN的图像超分辨实战/
│ ├── [ 18M] 1__第1节-论文解读（abstract）
│ ├── [ 41M] 2__第2节-论文解读（Introduction）
│ ├── [ 13M] 3__第3节-论文解读（Related Work）
│ ├── [ 32M] 4__第4.1节-论文解读（Classical Degradation Model）
│ ├── [ 29M] 5__第4.2节-论文解读（High-order Degradation Model）
│ ├── [ 16M] 6__第4.3节-论文解读（Ringing and overshoot artifacts）
│ ├── [ 34M] 7__第4.4节-论文解读（Network and Training）
│ ├── @更多it资源 www.baikeu.com
│ ├── [ 22M] 8__第5.1节-论文解读（Datasets and Implementation）
│ ├── [5.9M] 9__第5.2节-论文解读（Comparisons with Prior Works）
│ ├── [ 35M] 10__第5.3节-论文解读（Ablation Studies and Limitations）
│ ├── [3.9M] 11__第6节-论文解读（Conclusion）
│ ├── [ 31M] 12__第7节-代码解读（官方环境搭建）
│ ├── [ 20M] 13__第8节-代码解读（模型讲解）
│ ├── [ 20M] 14__第9.1节-代码解读（数据处理之模拟添加模糊）
│ ├── [ 13M] 15__第9.2节-代码解读（数据处理之模拟添加加性噪声）
│ ├── [ 15M] 16__第9.3节-代码解读（数据处理之模拟添加尺寸变换）
│ ├── [ 11M] 17__第9.4节-代码解读（数据处理之模拟添加JPEG压缩）
│ ├── [ 28M] 18__第10节-代码解读（模型训练）
│ ├── [ 47M] 19__第11节-代码解读（模型测试）
│ ├── [ 250] 20__数据和代码.html
│ └── 资料代码/
├── 10__深度学习之Pytorch—入门及实战/
│ ├── [6.5M] 1__0-课程介绍
│ ├── [ 22M] 2__1-PyTorch简介
│ ├── [ 48M] 3__2.1-Windows系统下配置PyTorch环境
│ ├── [ 67M] 4__2.2-ubuntu系统下配置PyTorch环境
│ ├── [ 27M] 5__3.1-张量（上）
│ ├── [118M] 6__3.2-张量（下）
│ ├── [148M] 7__4-层结构基本介绍
│ ├── [ 69M] 8__5-网络结构搭建方法
│ ├── [ 31M] 9__6-经典分类网络介绍
│ ├── [ 40M] 10__7-优化器及损失函数
│ ├── [ 32M] 11__8.1-数据读取及增强（上）
│ ├── [ 29M] 12__8.2-数据读取及增强（下）
│ ├── [ 17M] 13__9-模型读取和加载
│ ├── [ 11M] 14__10.1-从零完成表情识别（项目简介）
│ ├── [ 85M] 15__10.2-从零完成表情识别（数据读取）
│ ├── [ 53M] 16__10.3-从零完成表情识别（模型搭建与训练）
│ ├── [ 22M] 17__10.4-从零完成表情识别（模型测试）
│ ├── [ 278] 18__代码与数据.html
│ └── 资料代码/
├── 11__深度学习之数据使用—理论实践篇/
│ ├── [208M] 1__《深度学习之数据使用》直播01-自动化数据标注
│ ├── [5.3M] 2__0 课程介绍
│ ├── [ 39M] 3__1 数据获取
│ ├── [ 77M] 4__2 数据整理
│ ├── [ 48M] 5__3 数据标注
│ ├── [ 75M] 6__4 数据增强方法
│ ├── [ 36M] 7__5.1 Pytorch图像分类数据增强实践-数据增强接口介绍
│ ├── [ 50M] 8__5.2 Pytorch图像分类数据增强实践-实验结果
│ ├── [ 66M] 9__6.1 数据增强开源库imgaug介绍
│ ├── [ 83M] 10__6.2 数据增强开源库imgaug使用
│ ├── [ 303] 11__数据与代码.html
│ └── 资料代码/
1、本站信息来自网络，版权争议与本站无关
2、本站所有主题由该帖子作者发表，该帖子作者与本站享有帖子相关版权
3、其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和本站的同意
4、本帖部分内容转载自其它媒体，但并不代表本站赞同其观点和对其真实性负责
5、用户所发布的一切软件的解密分析文章仅限用于学习和研究目的；不得将上述内容用于商业或者非法用途，否则，一切后果请用户自负。
6、您必须在下载后的24个小时之内，从您的电脑中彻底删除上述内容。
7、请支持正版软件、得到更好的正版服务。
