交介老师1st单行台中数字版EV。DIPI=6

冒昧问下大大有兴趣做 谷口さん 老师的吗

Base +7, BitXD +14, ljh13159330262 +3, elory +6, Torista +6, NoPoiNoLife +6

高清重置

Base +6, Torista +6

ESRGAN+DCP（基本）全自动部署来咯！https://github.com/TsXor/DCP_ESRGAN-configure
大声bb：cmd没py胶水性强。cmd，utf-8真的有那么难以接受吗？

Base +5, deepside +6, boring8591 +6, minerva5 +23, Woshiluo +6, 232333b +9, Kagura_yzy_lgy +4

----------------

Last edited on 12 February 2023, 16:27.

Base +8, Torista +6, hehehe518 +6

今天我属实被惊到了：ESRGAN竟然能做inpaint！于是我查了一下ESRGAN到底是啥
虽然之前就知道ESRGAN是SRGAN的增强版，但是GAN到底是啥还不知道，总之不是不服就干（
结果GAN的意思是：生成对抗网络（英语：Generative Adversarial Network，简称GAN），前面的SR是Super Resolution（超分辨率）
因此ESRGAN，或者说它爹SRGAN，原理就是，一个蒙，一个打分，做得多了，就会了。
ESRGAN能做inpaint也就能解释了：你给负责蒙的人换题做不就完事了
然而问题是：这样是不是就变成了E(SR)?GAN了呢（迫真

理论上DCP可以把黑条变半透明条：只要你标记黑条的时候不关画笔的抗锯齿就行了（迫真

Base +5, Sunkvass +6, 232333b +9, john9106 +6, yyiii +22

感谢分享

Base +6, Torista +6, wacod8 +5

>>神经网络超分辨率和去码的机制我感觉都差不多，拿CNN来对付也一样
从搜索引擎告诉我的结果来看，卷积神经网络更多用于图像识别；从我自己极不准确的理解来看，对于超分辨率和去码这种训练时“已知标准答案出题”的行为，GAN的机制似乎更好点
还有我看的某篇描述SRGAN的博文开头就说它比ResNet更符合人类倾向，然后ResNet是CNN（ResNet在各项评估指标很高，然而ResNet生成的图片边缘比较糊，因此看起来不太好

Base +5, cloudfrom +5, john9106 +6, yyiii +22, Aniplex233 +3

评论区也太他妈专业了，甚至看都看不懂

Base +7, Duarvoid +4, SoxNo.1 +6, ink stain +6, 优雅的二货 +6, kiiiii +7, mohunpo +6, 疯特莱 +13, dietury +6, 暗夜中光 +6, 5.1in +6, a1900896938 +6, fishmiki +6, and 103 more...

只写过NN的渣路过
顺便GB在210页，只有一页

Base +6, DEIOSH +6, csh19960106 +6, Torista +6, O_Sakana_Tengoku +28, polluance -6

我说为啥每个开头都找了一遍但是没看到gb……

Base +6, csh19960106 +6, Torista +6, leikeersi +6, wasdeq +4

？我看不懂评论了，尼玛，太专业了

Base +5, dietury +6, cannonbome +6, cloudfrom +5, sei532 +6, 呀呼之王 +2, mlgb . +5, e7rr +6, lee3325 +5, kiccd4g +6, 十字控 +6, yikoo +2, 科加斯 +6, and 2 more...

> 其实什么G不GAN的不重要，神经网络超分辨率和去码的机制我感觉都差不多，拿CNN来对付也一样，只是训练效率不一样而已

超分辨率和去码是不一样的，至少在厚码的时候不一样。厚码/黑条造成的细节数据重度丢失，这没法通过卷积（特征提取）或反卷积还原。但GAN可以学习类似“创造”的能力，这种从无到有的特点是它的优势。

Base +6, cloudfrom +5, wh主动 +6, willow212 +6, Woshiluo +6, wenx° +17, Nekopror +5, blockend +6, yyiii +22, a1836449 +6, 吾生紫砂 +3, wantedman007 +5

这个ESRGAN跟之前那个real-ESRGAN AI放大的progect是一样的么？有幸读过之前的那篇文章，感觉应用起来效果也不错。只是可惜批量执行不太方便。。

Base +11, cloudfrom +5, 吾生紫砂 +3

重生之我在本子评论区研究机器学习

Base +6, raymondchisel +6, Torista +6, cloudfrom +5, minerva5 +23, Azurrblue +6, 若灵雪 +4, wh主动 +6, FLYMEOS +6, 可有可无 +6, paohui2142 +6, Xihentai +13, Fraisercrane +3, and 33 more...

看到第一个本子我满脑子都是“冰峰魔恋”“我用双手成就你的梦想”，沙雕翻译害人啊😆

Base +6, celsete +6, piaoluodianye +6

咕，杀了我.jpg

Base +6

我第一眼看成了阿不思 把封面看成了阿不思娘化...

Base +6, Torista +6, piaoluodianye +6

终于有图又大又薄码的版本了

Base +8

评论区把我看傻了，真的是每个字都认识连起来就不认识了

Base +6, 虚度原型 +6, Fraisercrane +3, lee3325 +5, 20100506abcd +6, liting123 +6, SOVIETKAYA +5, 1376DRXizk474 +4

@lita0323 是不这个
[九月ナガツ] ご奉仕オナニー覚えた地味子に搾られる

Base +2

那个圆形秃顶被当成月亮的哈哈哈哈哈哈笑死我了

Base +6, Torista +6, GYZS123 +6

超分辨率模型是可以去马赛克的。马赛克本质上是“采样失真”，而超分辨率模型就是解决这个采样失真。有一个你们很熟悉解决采样失真的东西，叫做“抗锯齿”。

超分辨率和去码其实是一样的，都是根据已有像素和训练时用到的图片，来猜测需要的像素。不需要GAN也能去码，但是可能不讨人眼喜欢。

但是为什么GAN会被吹爆？一般的训练方法是以“根据瑕疵图猜测出来的值接近真实原始图片为目标”。而GAN除了一般的训练方法外，还尝试逼迫网络去猜测“接近原始图片真实的分布/特征”，而往往这些特征很讨好人眼：这也是为什么这么多人喜欢GAN超分出来的图。

但是需要注意的是，无论是普通DL方法，还是GAN方法，本质是根据已有信息来计算需要的像素，这个过程是没有产生新的东西（信息论）。并不存在从无到有这个功能。所以就算是GAN去码结果还是太🐔。

其次关于漫画SR这种东西，目前SOTA方法都不适合line art甚至是anime style的图，因为这种类型高频和低频部分超多，中频部分基本没有。我个人看法是使用NNEDI3 之类的东西会更好，但是需要多走几步后处理，锐化啥的。你们这帮人估计喜欢waifu2x 、esrgan之类的EndToEnd模型。

最后，EX还是加一个super-res 的tag吧，都有scan-mark了，不差这一个吧。

Base +17, ExtraSilver +6, Torista -6, NoPoiNoLife +6, LoneStarmonth +7, F1950619273 +6, yale59888 +6, 星空融入 +6, nonenamed +6, yyiii +22, Shelbohr +6, 十字控 +6, a1836449 +6, and 4 more...

只有我一个人比较在意封面翻译像是什么小黄游宣传吗😂

封面翻译感觉也有可能像是什么杯子的宣传广告😂

Base +5, wenx° +17, Torista +6, sam_red +6, lufun +6

>>怎么都避不开，还真是一开始就不该给阳光。
不知道这是什么意思，总之我先放个独立宣言在这里：
全体目光向我看齐奥！看我看我，我是个↑↓！
顺便，我本次的感叹和评论是因为在下ESRGAN-colab中提及的模型时“误入”了NMKD的网盘，然后就看见了他竟然整出了YandereInpaint这么个玩意，结果一看框架，不是DCP的PEPSI，竟然还是ESRGAN

>>re.match('.*看不懂.*')
前年的高考数学题让一堆人直呼“我不配数天坛的砖”
但是这就是一个简单的等差数列问题：假设每层有n环，那么每层的第t环相比下一层的第t环隔n环，少9n块砖，然后因为每层有n环，所以每层总共比下一层少9n^2块砖，他给的那个729其实就是9^3，所以每层9环。然后战斗就结束了，剩下的任务只有求一个首项是9，公差也是9，项数是9*3=27的等差数列。屏幕前的应该都有计算器，然后上网搜一下等差数列的求和公式，大概能在3分钟之内出来答案是3402
某相关梗图说到：“炙热的8月，某少年在天坛边上望去，嘴里念念有词，别人都以为他疯了，殊不知他是全国二卷考生。”然而正常的高中生，尤其是面临高考时已经18岁左右的高三学生，都应该能对这道题做出上述理解，更不至于高考时在数学卷上见着这么一道题就无能狂怒还迁怒于天坛。
那么说自己不太懂的考生到底懂不懂呢？您品，您细品

Last edited on 25 June 2022, 12:25.

Base +5, NoPoiNoLife +6, 肆肆陆桑 +6, nonenamed +6, Torista -6, Tomas John +6

过于有能的评论区

Base +5, Fraisercrane +3

第一个故事经典造爹成功

Base +6, wenx° +17, Torista +6

笑死，本站被打上scanmark都是些啥歪瓜裂枣？

https://e-hentai.org/tag/other:scanmark

你拿scanmark和sr相提并论？

也就up涵养好不跟你一般见识，换老子早就六字真言送你了。

Base +15, wenx° +17, Torista +6, 232333b +9, 天之堡垒 +1, yyiii -22, Fshate +6

scanmark
Description: Images that are visibly marked by a translator/scanner/colorizer. Are subject to replacement by non-marked versions, should they exist.
描述：画廊中的图片被翻译者/扫图者/上色者以可见的方式标记过。有此标记的画廊应被没被标记过的画廊替代（如果存在没标记的画廊）
注意：如果画廊中的某张图片同时有被标记和没被标记的版本则不算（汉化组常见操作，封面打logo，然后后面附一张没打logo的）
举例：cgc（此处并不讨论他为啥这么做），疯大前期新视界扫图

同样利用信息论的观点，虽然sr是没产生新的信息，但是scanmark绝对是删减了原图片的信息

恍然大悟.jpg

Base +5, 232333b +9

第二个故事笑飞，这算是小正太被俩大姐姐NTR吗ww
（还没开始交往算什么NTR啊）

Base +6, Torista +6, longways tg +1, 天之堡垒 +1, 1376DRXizk474 +4

为啥觉得超分辨率，本质上是从已学习的模型，去填充采样失真？没准和训练集有一定关系

Base +6

这评论区一度让我以为点错了 狗头

Base +6, kisstoshiya +6, SOVIETKAYA +5

捏妈，读论文累了睡午觉看本子还得接着读论文

Base +5, yale59888 +6, SOVIETKAYA +5, chrissssssss +9, 科加斯 +6, 1710696972 +6

评论区高能，我看不懂了

Base +4, liting123 +6

巨乳黑肉魔王真不錯

Base +8

评论区都是技术大佬，我一个看本子的菜鸡给跪了啊

Base +6, lufun +6, liting123 +6, SOVIETKAYA +5, 科加斯 +6

秃头一块像月亮真是笑死我了

Base +5, GYZS123 +6

最后的咕杀笑死

Base +6

好吔耶耶耶耶耶

Base +6

@lita0323 "Inkya Joshi Okoshitara Sex Friend ni Natta Ken w"这个

Base +6

終於不是光劍了，感謝大大，一次滿足了我這麼多本子，射爆了

Base +11

性轉在212頁

Base +7, lllluka1 +4

修女那个挺好的我感觉

Base +2

玩尬的太多怎么说也是不太好用2333

Base +6

本子和评论区真的是两个世界，圣贤模式一到打开评论区直接投入芝士的海洋。

Base +4, FoolSDM +3

这评论区啥呀！大佬交流会吗？

Base +3

第一篇为啥体型成为了好几米估摸几吨

Base +6

p192笑死了🤣🤣🤣

Base +2

又能透淫魔又能被淫魔透.实在太爽啦.这种淫魔给我也整一个.

Base +6