十小大
十小大

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等

文章目录

  • 专栏简介
  • 专栏亮点
  • 适配人群
  • 相关说明
  • 关于答疑
  • 环境配置
  • 超分理解
  • 实现流程
  • 文章目录
    • 基础知识
      • 三个常用的SR框架
    • 数据集相关
    • 可解释性（论文中的可视化说明）
    • 图像超分（Image Super-Resolution）
      • 经典超分（Classical SR）
        • 任意尺度超分（Arbitrary-Scale SR）
      • 高效/轻量化超分（Efficient/Lightweight SR，ESR）
      • 盲超分/真实世界图像超分辨率（Blind/Real-world SR）
        • 任意尺度超分（Arbitrary-Scale SR）
      • 特定场景超分
        • 医学图像
        • 遥感图像
        • 人脸图像
        • 文本图像
    • 视频超分（Video Super-Resolution）
    • 基于扩散模型的SR模型汇总（Diffusion-based SR Model）
    • 图像恢复（Image Restormation）
    • 理论部分，论文精读
    • 实践部分，论文复现
    • 高效科研
  • 论文、代码、数据集、工具、资料汇总
  • 研究方向
  • 前沿资讯
  • 问题汇总
  • 与我联系
  • 公众号

关键词：Image Super-Resolution、Video Super-Resolution

专栏简介

本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。

算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。

论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。
论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。在复现大量的算法后，专栏会更新涨点方法，帮助有需要的同学找到创新点。专栏中还会更新一些实用技术，帮助大家解决实际问题。此外，专栏会更新超分算法相关的毕业设计，以完整软件项目的形式呈现（UI界面+超分算法）。

专栏亮点

  • 省时：超分辨率领域论文全覆盖，算法模型全，主流的算法模型都会涉及结合能搜集到的资料深入浅出解读，按顺序阅读即可，节省搜论文的时间。【论文复现】文章末尾会提供训练好各放大倍数下的最优性能（PSNR最优）模型权重文件，读者可以下载直接使用，方便论文中实验部分方法对比（视觉效果和量化指标）或直接应用模型超分自己的图像数据。
  • 省力：大白话讲解，手把手教学，带你读论文，写代码，理解文章的算法和创新点，避免一个人对着论文死磕但还是不理解的情况出现。按部就班，肯定能跑出好的模型结果，帮助你了解论文内容和结构，积少成多，学会写论文。同时，让你少走弯路，避免模型调参四处碰壁，涉及的模型都提供训练好的权重文件，可以直接拿来测试自己的图像。
  • 省事：努力做全网最全最好最详细的【超分辨率】专栏，专栏永久更新，第一时间更新最新的超分领域内容，关注订阅后一劳永逸，关注账号后更新了会私信告知。有问题可以随时留言交流，大家一起讨论总比一个人死磕要强。

适配人群

  • 研究超分辨重建的新手小白，希望快速入门
  • 有毕业需要的本科生（毕业设计）、研究生（导师放养，缺乏科研能力以及论文写作经验），希望有一篇论文毕业
  • 有训练自己特定需求数据的工作者，本专栏将帮你跑通流程，训练你自己的数据
  • 有实际应用需求场景的工作者，本专栏将提供已经训练好的模型去超分你自己的数据，比如医学领域的MRI图像、生物领域的细胞图像和其他需要应用的领域。有泛化性非常好的数据集训练出来的模型。（如果你没有硬件条件去训练，而只是想用模型超分你自己的数据）
  • 想挣钱搞副业的奋斗者，希望用超分技术解决客户问题，通过技术手段赚钱。比如老照片修复，4K修复视频等等。

建议：有科研需要的同学【论文精读】和【论文复现】都看，理论+实验；有做项目应用需要而不需要写论文的同学可以只看【论文复现】，有最优PSNR的模型文件，可以直接用，超分自己的图像。

相关说明

  • 关于更新：一般模型比较大，想复现出论文的结果需要训练很久，再加上写文章，总结反思的过程，更新频率可能比较低。先更新图像超分，再更新视频超分。
  • 关于内容：黑色加粗是重点，红色加粗是笔者的讲解、总结或创新。绿色加粗是补充内容，可能还有一些吐槽，能产生共鸣。【论文精读】文章末尾有链接可以直接跳转到对应的【论文复现】文章，【论文复现】文章开头有【论文精读】的文章链接，方便回顾理论。
  • 关于读者：希望你一步一步按顺序仔细阅读，尽量不要跳跃。只需要跑通流程不需要了解理论的同学直接看【论文复现】，只需要训练好的模型文件去超分自己数据的同学直接跳转到文章末尾有权重文件连接。除此之外，请全部阅读！有问题随时评论区留言答疑。禁止没仔细看文章就问问题，禁止白嫖，禁止问奇奇怪怪的问题。
  • 阅读顺序：请按给出的文章目录顺序阅读。有的算法模型是在前一篇文章的基础上实现的，尽量不要跳跃。如果有缺失的文章或者有你特别想了解的文章，请在评论区留言。让我们一起感受【超分】领域的研究历程吧！
  • 有发文章需求的同学建议对照原论文阅读全部【论文精读】，了解论文结构脉络，看别人怎么写的，怎么讲故事的，你自己才能会写。
  • 只有做项目做实际应用没有写文章需要的同学可以只看【论文精读】中红字总结的理论部分和实验参数+【论文复现】全文。
  • 有的论文没有源代码，或者有他人复现的代码但质量不高，或者实现思路与其他文章相似，则【论文精读】以丰富阅读、开拓思路为目的。
  • 怕专栏质量不够高，怕被坑钱的读者可以看下面两篇试读文章，以此为依据决定是否订阅：
    【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
    【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等_第1张图片

关于答疑

宗旨：先仔细阅读文章，有问题再问。

基础薄弱的同学先学深度学习基础，搞明白框架和执行逻辑，重点为pytorch（数据处理DataLoader、模型实现nn、训练相关）、cv2和PIL等图像处理基础，有的问题搜一搜，查一查，把基础打好。

欢迎提出以下问题：

  • 专栏内文章中出现的错误和表意不明的内容；
  • 代码报错；
  • 与算法模型相关的讨论，改进等；
  • 希望我后续出的文章，方向，功能需求等；
  • 友好的讨论，各种方面都可以，论文、投稿、读研读博、当老师等；

符合以上条件的，我知无不言，作为一名高校教师，我很愿意和友好的学生沟通！工作很忙，空闲时间看见了就会回复。

以下评论和问题不回：

  • 不友好的攻击与谩骂，没有礼貌的；比如：“这么简单的东西还收费”。你觉得简单，还有很多需要入门的小伙伴不觉得简单，不要用你的标准来评判他人；
  • 不看文章一通乱问的；答案就在文章中，仔细阅读，文章写的很细致，问我我给你回答没有你仔细阅读效率高；
  • 表述不明，完全不知所云的；不明白你的问题，自然无法解答；
  • 上来就要代码的，想白嫖的，套话的；不要问我这个方案可不可以，能不能给个创新idea等厚脸皮的话。一切都要自己动手做，去试了才知道，谁有好的想法不都自己发文章了吗，还能告诉你吗？
  • 我也不会的；我不是神仙什么都会，可以讨论，但不能要求我一定能回答；

订阅专栏后的答疑是作为附加的增值服务，我没有义务什么离谱的问题都回答你，即使你花了钱也不行，每个人的标准不同，求同存异，友好相处，有问题有意见可以提，但别找骂。

注：有的文章质量可能偏低，可能是我先发出来准备后面再完善的，大家不用担心，做事情先完成再完美。

环境配置

笔者的项目环境：

  • 编译器：pycharm
  • torch 1.12.1
  • windows11
  • 服务器4个GPU，Titan RTX

pycharm专业版远程连接服务器运行。你可以根据自己的情况使用不同配置，结果不会差很多。

如果你的环境不同，请根据自己的情况修改部分代码。

例如，多个GPU就会用到torch.nn.parallel DataParallel，而且会model.to(device)或者to cuda。而你自己的环境是windows本地跑，只有一个GPU，那么就需要修改对应部分的代码。

仅做参考，相信大多数人的环境应该都能运行。实在不行，只能升级设备了。

超分理解

超分辨率（Super-Resolution），顾名思义，是将低分率的图像变成高分辨率的图像。它是低级别（low-level）的图像复原任务（同级别的还有去噪）。但是，超分是病态的（ill-pose）。它是无中生有，凭空创造出来的。为的是改善视觉效果，提升后续工作的效率。

那么，图像是如何无中生有，从低分辨率到高分辨率的呢？

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等_第2张图片

举一个分辨率放大2倍的例子。GT是Groud Truth，也是HR。作为标签（label）或者目标（target）指导低分率图像要向着什么目标努力。低分辨率图像是通过插值算法造出来的，常见的方法是用双三次插值缩小再放大（也可以添加高斯噪声）。当然，如果你自己有两个2倍关系的数据，低分辨率（LR）的是输入，高分辨率（HR）是GT。

这样，LR和HR之间有一个映射，通过损失函数最小化来得到最优的模型。

如上图所示，Input就是通过双三次插值（Bicubic）先缩小2倍（LR）再放大2倍的结果。Output是通过模型将LR超分的结果。

横向对比，一个是不同算法的对比，得出我们的模型更好的结论；一个是超分的结果与GT对比，得出我们的模型更接近于原图。质量评估，可视化看清晰度；量化评估，看PSNR和SSIM等指标。

常见的传统方法对比有：nearest，双线性，双三次，lanczos，sinc，spline等。

然而，实际应用场景中，想让图像从模糊变清晰，往往是给出模糊图像，而不是像上图中作为GT，也没有对应放大倍数后想达到的指导。超分之后，发现图像还是模糊。

这是为什么呢？

答：超分只是将图像的分辨率放大，模糊是因为失焦或图像大小变化导致的，超分才有效果。一定要分析模糊产生的原因，是因为噪声模糊（去噪模型）、运动模糊（有对应的去运动模糊的方法）还是大小变化模糊。

实际应用往往需要去噪、锐化、超分等多种图像复原手段共同作用才能产生比较好的效果。

所以，当你训练的超分模型效果不好时，不必气馁。需要写论文的只站在论文的角度思考有提升就可以；需要实际应用的调调数据或者换换模型，总会守得云开见月明，轻舟已过万重山。

实现流程

超分也和其他深度学习任务相同，一般分为以下几步实现算法模型：

  1. 网络模型定义：明确网络的输入和输出，以及维度。
  2. 数据预处理：根据网络的输入处理数据，适配网络。数据增强：超分的数据增强一般为旋转[0,90,180,270]、翻转（左右、上下）、缩放(0.5~1倍之间)。超分的输入一般不是以整张图像的形式，而是裁剪图像的一小块输入。为了覆盖所有的图像特征，数据集会非常大，对设备要求也很高，对于参数也有影响。数据集一般做成.h5格式。 超分是low-level任务，一些tricks对模型的提升帮助不大。初始图像大小需要调整为能整除放大倍数，会有一些像素损失，影响最终的结果。
  3. 模型训练：常规步骤，根据不同方法具体实现。最好能边训练边验证。
  4. 模型测试：用测试集测试模型，计算平均PSNR和SSIM。
  5. 其他补充：训练过程可视化（visdom、Tensorboard），科研作图（epoch和psnr的关系），可视化feature map等，可能出现在论文中的内容。

文章目录

基础知识

  1. 【图像去噪/超分】基础知识之BasicSR | BasicSR库的用法详解，包含各部分代码功能详细介绍（全代码注释），自己改进创新需要修改的位置等
  2. 【图像超分/图像去噪】Windows下使用BasicSR训练和测试模型
  3. 【图像超分】基础知识之计算效率 | 计算模型复杂度Flops，Multi-Adds（MACs）以及单位缩放和 参数量Params

三个常用的SR框架

内容如下：

  • 使用方式：训练和测试跑通图文教程、如何修改成自己的数据集和网络、报错解决并适配高版本的Python/Pytorch/Cuda等；
  • 全代码逐行注释，肯定能看懂；
  1. BasicSR：https://github.com/XPixelGroup/BasicSR
    • 【图像去噪/超分】基础知识之BasicSR | BasicSR库的用法详解，包含各部分代码功能详细介绍（全代码注释），自己改进创新需要修改的位置等
    • 【图像超分/图像去噪】Windows下使用BasicSR训练和测试模型
    • BasicSR代码风格的模型：
  2. EDSR-Pytorch：https://github.com/sanghyun-son/EDSR-PyTorch
    • 框架解析：【图像超分】论文复现：EDSR-Pytorch框架 | 无报错跑通，全代码解析
    • EDSR-Pytorch代码风格的模型：RCAN、SAN、ESRT、ELAN、SPIN、RFDN
  3. KAIR：https://github.com/cszn/KAIR
    • 框架解析：【图像超分】论文复现：以SwinIR为例，使用KAIR工具箱训练和测试SR模型，详细解析KAIR各脚本功能，学会如何修改代码使用自己的数据训练自己的模型
    • KAIR代码风格的模型有：SwinIR

一些论文源码只给出了模型结构，训练和测试是基于上面这三个库的。所以，如果想在这些模型上用自己的数据集做对比实验，就必须掌握这三个框架的使用，以便跑出结果。如果还是在benchmark上做，只需要指标而不需要超分可视化结果（有的代码没给模型和可视化结果），又不以这些模型作为baseline，则无需会。总之，以哪个模型作为baseline，则学习哪个模型源码的框架，目前basicsr是主流，后两个框架未来应该也不太会用了。

EDSR-Pytorch是单独架构，BasicSR的很多脚本来自于KAIR，BasicSR属于完全体。有BasicSR自然不会再用KAIR了。

数据集相关

  1. 【图像超分】SR常用数据集的下载、处理、使用、说明、文件结构、参考文献引用（持续更新）
  2. 【图像超分】基础知识之数据集制作 | matlab | 使用bicubic下采样HR获得不同倍数下的LR

可解释性（论文中的可视化说明）

  1. （CVPR 2021）【图像超分】论文精读：Interpreting Super-Resolution Networks with Local Attribution Maps（LAM）
  2. （CVPR 2021）【图像超分】论文复现：必须会的可视化手段！SR网络可解释性方法LAM源码复现，图文手把手教程，整合并跑通源码，获得LAM和DI结果，使用LAM可视化自己的模型！
  3. （TPAMI 2025）【图像去噪/超分】论文精读：Interpreting Low-level Vision Models with Causal Effect Maps（CEM）
  4. （TPAMI 2025）【图像去噪/超分】论文复现：底层视觉可解释性通用方法！因果归因算法CEM的Pytorch源码复现，图文手把手教程，跑通CEM源码，获得LAM可视化结果和正负范围，使用CEM可视化自己的模型！

图像超分（Image Super-Resolution）

分类方法：以论文中实验部分的小标题为准，做了Lightweight就会收录到高效/轻量化超分中。

经典超分（Classical SR）

序号 题目 模型 出处和年份 关键词 精读 复现
1 Enhanced Deep Residual Networks for Single Image Super-Resolution EDSR/MDSR CVPRW 2017 CNN 点我跳转到精读文章 点我跳转到复现文章
1 Deep Back-Projection Networks For Super-Resolution DBPN CVPR 2018 CNN、反投影 点我跳转到精读文章
1 Second-order Attention Network for Single Image Super-Resolution SAN CVPR 2019 CNN、Attention 点我跳转到精读文章 点我跳转到复现文章
1 Single Image Super-Resolution via a Holistic Attention Network HAN ECCV 2020 CNN、Attention 点我跳转到精读文章
3 ClassSR: A General Framework to Accelerate Super-Resolution Networks by Data Characterist ClassSR CVPR 2021 通用加速框架、图像分类引入SR任务 点我跳转到精读文章
3 Reflash Dropout in Image Super-Resolution RDSR CVPR 2022 dropout提升泛化能力 点我跳转到精读文章
1 Cross Aggregation Transformer for Image Restoration CAT NeurIPS 2022 Transformer、窗口自注意力改进 点我跳转到精读文章 点我跳转到复现文章
1 Activating More Pixels in Image Super-Resolution Transformer HAT CVPR 2023 Transformer、混合窗口自注意力 点我跳转到精读文章 点我跳转到复现文章
2 Dual Aggregation Transformer for Image Super-Resolution DAT ICCV 2023 Transformer、改进自注意力 点我跳转到精读文章 点我跳转到复现文章
3 SRFormer: Permuted Self-Attention for Single Image Super-Resolution SRFormer ICCV 2023 Transformer、窗口自注意力改进 点我跳转到精读文章 点我跳转到复现文章
4 Attention Retractable Frequency Fusion Transformer for Image Super Resolution ART CVPRW 2023 Transformer、改进自注意力、频域 点我跳转到精读文章
4 Accurate Image Restoration with Attention Retractable Transformer ART ICLR 2023 Transformer、改进自注意力、Swin 点我跳转到精读文章
4 DRCT: Saving Image Super-Resolution away from Information Bottleneck DRCT CVPRW 2024 Transformer、密集残差链接、Swin 点我跳转到精读文章 点我跳转到复现文章
4 Recursive Generalization Transformer for Image Super-Resolution RGT ICLR 2024 Transformer、改进自注意力 点我跳转到精读文章
4 MTKD: Multi-Teacher Knowledge Distillation for Image Super-Resolution MTKD ECCV 2024 Transformer、蒸馏 点我跳转到精读文章
4 Multi-scale Attention Network for Single Image Super-Resolution MAN-base CVPRW 2024 全卷积网络，大核卷积 点我跳转到精读文章 点我跳转到复现文章
4 Image Processing GNN: Breaking Rigidity in Super-Resolution IPG CVPR 2024 Award & Oral 图卷积、Transformer 点我跳转到精读文章
5 Progressive Focused Transformer for Single Image Super-Resolution PFT CVPR 2025 Transformer、Attention（当前层利用前一层的Attention Map）、 点我跳转到精读文章 点我跳转到复现文章
任意尺度超分（Arbitrary-Scale SR）
序号 题目 模型 出处和年份 关键词 精读 复现
1 Learning Continuous Image Representation with Local Implicit Image Function LIIF CVPR 2021 Oral 图像的连续表示、自监督 点我跳转到精读文章
2 Local Implicit Wavelet Transformer for Arbitrary-Scale Super-Resolution LIWT BMVC 2024 Oral 小波变换 点我跳转到精读文章
2 Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment CoZ arXiv 2025 与模型无关、GRPO、VLM、无损放大256倍 点我跳转到精读文章

高效/轻量化超分（Efficient/Lightweight SR，ESR）

  • 方法汇总：

  • 轻量化超分常见手段：

  • 文章列表：

序号 题目 模型 出处和年份 关键词 精读 复现
1 Learning a Single Convolutional Super-Resolution Network for Multiple Degradations SRMD CVPR 2018 CNN、引入噪声映射 点我跳转到精读文章
1 Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network CARN ECCV 2018 CNN、残差块 点我跳转到精读文章
1 Lightweight Image Super-Resolution with Information Multi-distillation Network IMDN ACM MM 2019 CNN、蒸馏 点我跳转到精读文章
1 Fakd: Feature-Affinity Based Knowledge Distillation for Efficient Image Super-Resolution FAKD ICIP 2020 CNN、蒸馏 点我跳转到精读文章
1 Multi-Attention Based Ultra Lightweight Image Super-Resolution MAFFSRN ECCVW 2020 CNN、Attention 点我跳转到精读文章
1 Learning with Privileged Information for Efficient Image Super-Resolution PISR ECCV 2020 CNN、蒸馏 点我跳转到精读文章
1 LatticeNet: Towards Lightweight Image Super-resolution with Lattice Block LatticeNet ECCV 2020 CNN、改进残差块 点我跳转到精读文章
1 Residual Feature Aggregation Network for Image Super-Resolution RFANet CVPR 2020 残差特征融合、Attention、ESA模块出处 点我跳转到精读文章 只有ESA模块代码
1 Residual Feature Distillation Network for Lightweight Image Super-Resolution RFDN ECCVW 2020 CNN、蒸馏 点我跳转到精读文章 点我跳转到复现文章
2 Efficient Image Super-Resolution Using Pixel Attention PAN ECCV 2020 CNN、Attention 点我跳转到精读文章 点我跳转到复现文章
2 LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond LAPAR NeurlPS 2021 CNN 点我跳转到精读文章
2 Exploring Sparsity in Image Super-Resolution for Efficient Inference SMSR CVPR 2021 CNN、稀疏性 点我跳转到精读文章
2 Edge-oriented Convolution Block for Real-time Super Resolution on Mobile Devices ECBSR ACM MM 2021 CNN、重参数化 点我跳转到精读文章
2 Lightweight Bimodal Network for Single-Image Super-Resolution via Symmetric CNN and Recursive Transformer LBNet IJCAI 2022 CNN + Transformer 点我跳转到精读文章
4 Blueprint Separable Residual Network for Efficient Image Super-Resolution BSRN CVPRW 2022 CNN、BSConv、Attention 点我跳转到精读文章 点我跳转到精读文章
5 Edge-enhanced Feature Distillation Network for Efficient Super-Resolution EFDN CVPRW 2022 CNN、蒸馏、重参数化 点我跳转到精读文章
5 Residual Local Feature Network for Efficient Super-Resolution RLFN CVPRW 2022 CNN、残差块、Attention 点我跳转到精读文章
5 A Hybrid Network of CNN and Transformer for Lightweight Image Super-Resolution HNCT CVPRW 2022 CNN + Transformer 点我跳转到精读文章
6 Fast and Memory-Efficient Network Towards Efficient Image Super-Resolution FMEN CVPRW 2022 CNN、Attention、重参数化 点我跳转到精读文章 点我跳转到复现文章
7 Transformer for Single Image Super-Resolution ESRT CVPRW 2022 CNN块+Transformer块 点我跳转到精读文章 点我跳转到复现文章
8 Efficient Image Super-Resolution using Vast-Receptive-Field Attention VapSR ECCVW 2022 CNN、DWConv、Attention 点我跳转到精读文章 点我跳转到复现文章
9 Efficient Long-Range Attention Network for Image Super-resolution ELAN ECCV 2022 Transformer、改进自注意力 点我跳转到精读文章
9 Feature Distillation Interaction Weighting Network for Lightweight Image Super-Resolution FDIWN AAAI 2022 CNN、蒸馏 点我跳转到精读文章
9 ShuffleMixer: An Efficient ConvNet for Image Super-Resolution ShuffleMixer NeurIPS 2022 CNN、卷积替代自注意力 点我跳转到精读文章 点我跳转到复现文章
10 Multi-level Dispersion Residual Network for Efficient Image Super-Resolution MDRN CVPRW 2023 CNN、Attention 点我跳转到精读文章
10 Reparameterized Residual Feature Network For Lightweight Image Super-Resolution RepRFN CVPRW 2023 CNN、重参数化、傅里叶损失 点我跳转到精读文章
11 DIPNet: Efficiency Distillation and Iterative Pruning for Image Super-Resolution DIPNet CVPRW 2023 蒸馏、重参数化 点我跳转到精读文章
11 Large Kernel Distillation Network for Efficient Single Image Super-Resolution LKDN/LKDN-S CVPRW 2023 大核卷积、蒸馏、新优化器Adan 点我跳转到精读文章 点我跳转到复现文章
12 Omni Aggregation Networks for Lightweight Image Super-Resolution Omni-SR CVPR 2023 改进自注意力 点我跳转到精读文章 点我跳转到复现文章
13 SRFormer: Permuted Self-Attention for Single Image Super-Resolution SRFormer-light ICCV 2023 Transformer、窗口自注意力 点我跳转到精读文章 点我跳转到复现文章
14 Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution SAFMN ICCV 2023 卷积替代Trans块 点我跳转到精读文章 点我跳转到复现文章
15 Dual Aggregation Transformer for Image Super-Resolution DAT-light ICCV 2023 Transformer、改进的自注意力 点我跳转到精读文章 点我跳转到复现文章
15 Lightweight Image Super-Resolution with Superpixel Token Interaction SPIN ICCV 2023 超像素、多头Attention 点我跳转到精读文章 点我跳转到复现文章
15 DLGSANet: Lightweight Dynamic Local and Global Self-Attention Networks for Image Super-Resolution DLGSANet ICCV 2023 Transformer、改进的自注意力 点我跳转到精读文章
15 Feature Modulation Transformer: Cross-Refinement of Global Representation via High-Frequency Prior for Image Super-Resolution CRAFT ICCV 2023 CNN+Transformer 点我跳转到精读文章
15 DDistill-SR: Reparameterized Dynamic Distillation Network for Lightweight Image Super-Resolution DDistill-SR TMM 2023 CNN、重参数化、蒸馏 点我跳转到精读文章
15 Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution CFIN TMM 2023 CNN块+Transformer块 点我跳转到精读文章
15 Efficient Mixed Transformer for Single Image Super-Resolution EMT arXiv 2023 Transformer、改进的自注意力 点我跳转到精读文章
15 From Coarse to Fine: Hierarchical Pixel Integration for Lightweight Image Super-Resolution HPINet AAAI 2023 改进的自注意力 点我跳转到精读文章
15 Efficient Information Modulation Network for Image Super-Resolution EIMN ECAI 2023 用CNN替代Transformer模拟自注意力 点我跳转到精读文章
15 PlainUSR: Chasing Faster ConvNet for Efficient Super-Resolution PlainUSR ACCV 2024 CNN、UNet、MobileNetv3、重参数化、Attention 点我跳转到精读文章
15 A Lightweight CNN and Spatial-Channel Transformer Hybrid Network for Image Super-Resolution CSCTHN ICME 2024 CNN + Transformer 点我跳转到精读文章
15 A scalable attention network for lightweight image super-resolution SCAN Journal of King Saud University - Computer and Information Sciences 2024 CNN、Attention 点我跳转到精读文章
15 Fully 1 × 1 Convolutional Network for Lightweight Image Super-Resolution SCNet MIR 2024 CNN、全1×1卷积 点我跳转到精读文章 点我跳转到复现文章
16 FreqFormer: Frequency-aware Transformer for Lightweight Image Super-resolution FreqFormer IJCAI 2024 Transformer、改进自注意力块、频域 点我跳转到精读文章 点我跳转到复现文章
17 SMFANet: A Lightweight Self-Modulation Feature Aggregation Network for Efficient Image Super-Resolution SMFANet ECCV 2024 Transformer、Attention、特征聚合 点我跳转到精读文章 点我跳转到复现文章
18 HiT-SR: Hierarchical Transformer for Efficient Image Super-Resolution HiT-SR ECCV 2024 Transformer、改进窗口自注意力 点我跳转到精读文章 点我跳转到复现文章
19 Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach CFSR TIP 2024 Transformer、大核卷积替代自注意力 点我跳转到精读文章 点我跳转到复现文章
19 Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network FIWHN TMM 2024 CNN+Transformer 点我跳转到精读文章
20 Swift Parameter-free Attention Network for Efficient Super-Resolution SPAN CVPRW 2024 Attention、对称激活函数 点我跳转到精读文章 点我跳转到复现文章
20 Large Kernel Frequency-enhanced Network for Efficient Single Image Super-Resolution LKFN/LKFN-S CVPRW 2024 频域、FFT、baseline为LKDN 点我跳转到精读文章 点我跳转到复现文章
21 Multi-scale Attention Network for Single Image Super-Resolution MAN-tiny/light CVPRW 2024 全卷积网络，大核卷积 点我跳转到精读文章 点我跳转到复现文章
21 Partial Large Kernel CNNs for Efficient Super-Resolution PLKSR arXiv 2024 卷积网络，大核卷积，Attention 点我跳转到精读文章
21 Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution LAMNet arXiv 2024 Transformer、卷积替代自注意力、Attention 点我跳转到精读文章
21 See More Details: Efficient Image Super-Resolution by Experts Mining SeemoRe ICML 2024 卷积网络、特征融合 点我跳转到精读文章
21 Transcending the Limit of Local Window: Advanced Super-Resolution Transformer with Adaptive Token Dictionary ATD-light CVPR 2024 Transformer、改进的自注意力、交叉注意力 点我跳转到精读文章
21 GRFormer: Grouped Residual Self-Attention for Lightweight Single Image Super-Resolution GRFormer ACM MM 2024 CNN、卷积替代自注意力、频域 点我跳转到精读文章
21 SRConvNet: A Transformer-Style ConvNet for Lightweight Image Super-Resolution SRConvNet IJCV 2024 Transformer、改进的自注意力、交叉注意力 点我跳转到精读文章
21 Image Super-Resolution via Efficient Transformer Embedding Frequency Decomposition With Restart FDRNet TIP 2024 Transformer、Octave卷积 点我跳转到精读文章
21 Asymmetric Large Kernel Distillation Network for efficient single image super-resolution ALKDNet Frontiers in Neuroscience 2024 非对称大核卷积 点我跳转到精读文章
21 CubeFormer: A Simple yet Effective Baseline for Lightweight Image Super-Resolution CubeFormer arXiv 2024 Transformer、改进自注意力、baseline是Omni-SR 点我跳转到精读文章
21 OSFFNet: Omni-Stage Feature Fusion Network for Lightweight Image Super-Resolution OSFFNet AAAI 2024 CNN、特征融合、蒸馏 点我跳转到精读文章
22 Dual-domain Modulation Network for Lightweight Image Super-Resolution DMNet TMM 2025 在审 频域（傅里叶域+小波域） 点我跳转到精读文章
22 Efficient Attention-Sharing Information Distillation Transformer for Lightweight Single Image Super-Resolution ASID AAAI 2025 Attention、蒸馏 点我跳转到精读文章
22 CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution CATANet CVPR 2025 Transformer、Attention、特征聚合 点我跳转到精读文章 点我跳转到复现文章
22 Emulating Self-attention with Convolution for Efficient Image Super-Resolution ESC ICCV 2025 大核卷积、卷积替代自注意力 点我跳转到精读文章 点我跳转到复现文章
23 Progressive Focused Transformer for Single Image Super-Resolution PFT-light CVPR 2025 Transformer、Attention（当前层利用前一层的Attention Map） 点我跳转到精读文章 点我跳转到复现文章
23 Distillation-Supervised Convolutional Low-Rank Adaptation for Efficient Image Super-Resolution DSCF/DSCLoRA CVPRW 2025 CNN、蒸馏、LoRA 点我跳转到精读文章
23 DiMoSR: Feature Modulation via Multi-Branch Dilated Convolutions for Efficient Image Super-Resolution DiMoSR arXiv 2025 CNN模拟自注意力、膨胀卷积 点我跳转到精读文章
23 Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution SSIU TIP 2025 CNN、展开范式 点我跳转到精读文章
23 MAT: Multi-Range Attention Transformer for Efficient Image Super-Resolution MAT TCSVT 2025 Transformer，改进自注意力 点我跳转到精读文章
23 Semantic-Guided Global-Local Collaborative Networks for Lightweight Image Super-Resolution SGGLC-Net arXiv 2025（看文章应该投的是TIM，有仪器相关的描述） CNN+Transformer，语义引导，Omni-SR为baseline 点我跳转到精读文章
23 Efficient Star Distillation Attention Network for Lightweight Image Super-Resolution SDAN arXiv 2025 CNN，大核卷积，星型蒸馏 点我跳转到精读文章
23 SAAT: Synergistic Alternating Aggregation Transformer for Image Super-Resolution SAAT arXiv 2025 Transformer，自注意力部分用双分支 点我跳转到精读文章
23 Transformer-Style Convolutional Network for Efficient Natural and Industrial Image Superresolution TSCN TII 2025 Transformer-Style，CNN 点我跳转到精读文章

盲超分/真实世界图像超分辨率（Blind/Real-world SR）

序号 题目 模型 出处和年份 关键词 精读 复现
1 SRFormer: Permuted Self-Attention for Single Image Super-Resolution SRFormer-light ICCV 2023 Transformer、窗口自注意力 点我跳转到精读文章 点我跳转到复现文章
1 Deep Constrained Least Squares for Blind Image Super-Resolution DCLS CVPR 2022 CNN、模糊核、Attention 点我跳转到精读文章
任意尺度超分（Arbitrary-Scale SR）

特定场景超分

医学图像
遥感图像
人脸图像
文本图像

视频超分（Video Super-Resolution）

基于扩散模型的SR模型汇总（Diffusion-based SR Model）

图像恢复（Image Restormation）

说明：通用图像恢复模型（All-in-One），实验中涉及超分。

序号 题目 模型 出处和年份 关键词 精读 复现
1 A Comparative Study of Image Restoration Networks for General Backbone Network Design X-Restormer ECCV 2024 点我跳转到精读文章

理论部分，论文精读

看懂论文，学习算法知识，拓宽思路，提升科研写作能力。

【图像超分】主流算法：

  1. 【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
  2. 【图像超分】论文精读：Accelerating the Super-Resolution Convolutional Neural Network（FSRCNN）
  3. 【图像超分】论文精读：efficient sub-pixel convolutional neural network (ESPCN)
  4. 【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)
  5. 【图像超分】论文精读：Deeply-Recursive Convolutional Network for Image Super-Resolution (DRCN)
  6. 【图像超分】论文精读：Image Super-Resolution via Deep Recursive Residual Network (DRRN)
  7. 【图像超分】论文精读：Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR和MDSR）
  8. 【图像超分】论文精读：SRResNet/SRGAN
  9. 【图像超分】论文精读：ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
  10. 【图像超分】论文精读：Image Super-Resolution Using Dense Skip Connections（SRDenseNet）
  11. 【图像超分】论文精读：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution（LapSRN）
  12. 【图像超分】论文精读：Residual Dense Network for Image Super-Resolution（RDN）
  13. 【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）
  14. 【图像超分】论文精读：Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data
  15. 【图像超分】论文精读：Embedded Block Residual Network （EBRN）
  16. 【图像超分】论文精读：Second-order Attention Network for Single Image Super-Resolution（SAN）
  17. 【图像超分】论文精读：SwinIR: Image Restoration Using Swin Transformer
  18. 【图像超分】论文精读：Fully 1 × 1 Convolutional Network for Lightweight Image Super-Resolution (SCNet)
  19. 【图像超分】论文精读：CoSeR: Bridging Image and Language for Cognitive Super-Resolution（CoSeR）
  20. 【图像超分】论文精读：APISR: Anime Production Inspired Real-World Anime Super-Resolution
  21. 【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）

视频超分：

  1. 【视频超分】论文精读：FMA-Net: Flow-Guided Dynamic Filtering and Iterative Feature Refinement with Multi-Attention for Joint Video Super-Resolution and Deblurring

其他领域：

  1. 【图像超分】论文精读：Deep learning super-resolution electron microscopy based on deep residual attention network
  2. 【图像超分】论文精读：SRFS: Super Resolution in Fast-Slow Scanning Mode of SEM Based on Denoising Diffusion Probability Model
  3. 【图像超分】论文精读：Resolution enhancement in scanning electron microscopy using deep learning

实践部分，论文复现

跑通代码，学习超分算法实现流程，复现论文中性能，提升代码能力。

  1. 【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用
  2. 【图像超分】论文复现：Pytorch实现SRCNN！保姆级复现教程！提供完整代码和最优权重模型(x2、x3、x4)！科研级论文曲线图！计算平均PSNR和SSIM！代码Windows和Linux都可用！
  3. 【图像超分】论文复现：Pytorch实现FSRCNN，包含详细实验流程和与SRCNN的比较
  4. 【图像超分】论文复现：Pytorch实现FSRCNN！整合到SRCNN项目中！提供完整代码和最优权重模型(x2、x3、x4)！科研级论文曲线图！计算平均PSNR和SSIM！
  5. 【图像超分】论文复现：Pytorch实现ARCNN和FastARCNN！保姆级复现教程！代码注释详细！细节完善！提供完整代码和最优权重模型！绘制科研级论文曲线图！计算测试集的平均PSNR和SSIM！
  6. 【图像超分】论文复现：Pytorch实现ESPCN
  7. 【图像超分】论文复现：万字长文！Pytorch实现VDSR！血与泪的数据处理与训练过程总结！深度学习中的各种踩坑记录！适合各种深度学习新手！帮助你少走弯路！
  8. 【图像超分】论文复现：Pytorch实现DRRN，完美复现论文中的结果（Scale=2，PSNR=37.74）
  9. 【图像超分】论文复现：万字长文！Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
  10. 【图像超分】论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的平均PSNR和SSIM！
  11. 【图像超分】论文复现：万字长文！Pytorch实现SRDenseNet！模型结构搭建通俗易懂！修正各种代码问题！适合各种深度学习新手！帮助你少走弯路！性能与原论文近似！
  12. 【图像超分】论文复现：万字长文！Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
  13. 【图像超分】论文复现：新手入门必备！Pytorch实现SRGAN！手把手详细教程！代码注释详尽！可用于训练自己的数据集！实时验证模型性能！绘制PSNR曲线图！附训练好的各放大倍数的模型权重文件！
  14. 【图像超分】论文复现：万字长文！Pytorch实现LapSRN代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
  15. 【图像超分】论文复现：Pytorch实现RDN！保姆级复现教程！实现与原论文基本一致的PSNR和SSIM！代码注释详尽！易读易复用！可用于训练自己的数据集！附完整代码和各放大倍数下的最优模型权重文件！
  16. 【图像超分】论文复现：Pytorch实现IDN！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！实现matlab版本的PSNR/SSIM计算！
  17. 【图像超分】论文复现：Pytorch实现RCAN！与论文中参数和细节完全一致！提供完整代码和模型权重（x2、x3、x4、x8）！计算5大主流测试集上RCAN和RCAN+的PSNR和SSIM！

高效科研

  1. 【高效科研】提升科研做图效率！实用的局部放大图工具，可多图实时查看局部放大区域对比，点击鼠标即可同时裁剪并保存局部放大区域！
  2. 【高效科研】超分辨率重建论文实验部分的视觉比较（Visual comparison）—— 制作局部放大图！全代码自动化实现！鼠标框选区域！只需修改图像路径！无需使用PPT或PS！四种方法让你得心应手！
  3. 【高效科研】Pytorch训练的模型评估测试集，实现与论文中的PSNR/SSIM一致的计算方法！附各主流方法的Bicubic结果对比！分析区别以及原因！得到终极计算方法！
  4. 【高效科研】使用PPT绘制超分辨率重建/图像去噪等CV论文中的网络结构示意图！附多个自绘的主流网络模型模板！各个模块随取随用！
  5. 【高效科研】超分/去噪等领域通用论文写作提纲，包括每个部分详细撰写、图表制作、参考文献BibTeX格式、latex使用等，附参考写作流程，写作心得！
  6. 【高效科研】气泡图绘制 | 将各SOTA方法的PSNR vs. FLOPs vs. Parameters vs. Runtime vs. Memory可视化，对比性能与模型复杂度

论文、代码、数据集、工具、资料汇总

  1. GitHub：超分辨率最全资料集锦
  2. https://github.com/ChaofWang/Awesome-Super-Resolution?tab=readme-ov-file#2024 —— Paper/code汇总，一直更新至今
  3. 【实践与问题解决28】最全超分辨率（SR）数据集介绍以及多方法下载链接
  4. 6000+Star的超分工具箱项目，整合了多种SR算法
  5. 数据集快速处理工具MindsporeDataset
  6. SISR深度学习主要方法简述 —— 表格汇总上采样方法和各模型方法
  7. 深度学习的图像超分技术综述-输入单张图像(SISR)和输入多张图像的基于参考的图像(RefSR) —— 同上
  8. 基于深度学习的超分辨率图像技术发展轨迹一览 —— 发展历程，原理
  9. SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗？一文总结超分辨率分析必备经典模型（一）
  10. VDSR、DRRN、LapSRN、RCAN、DSRN…你都掌握了吗？一文总结超分辨率分析必备经典模型（二）
  11. SFT-GAN、CSRCNN、CSNLN、HAN+、Config (f)…你都掌握了吗？一文总结超分辨率分析必备经典模型（三）
  12. 超分辨率重建生成低分辨率图像，生成降质图像公认方法代码 —— 生成LR图像matlab代码（用python生成LR会有性能差异）
  13. 超分数据集概述和超分经典网络模型总结 —— 一篇综述，总结了数据集和经典方法
  14. 图像超分综述:超长文一网打尽图像超分的前世今生 (附核心代码) —— 各算法创新点及核心代码总结

注：上述链接是本人在学习超分的过程中觉得有用的资料，分享给大家，侵删。

研究方向

  • benchmark上涨点，改模型结构，迁移其他模块 —— 常规做法（适用于不要求论文等级的同学）
  • 真实世界（Real-World）超分、盲超分 —— 研究热点（但需要算力强，适用于想发稍微好点论文的同学，有一定算力的硬件）
  • 用扩散模型解决超分问题，对标GAN，去噪扩散模型效果更好 —— 研究大热点（适用于想发任何等级论文的同学，但需要硬件算力特别强，没有8个A100也得有4个A40）
  • 细化到具体类别 —— 动漫图像超分、人脸图像超分、医学图像超分、显微图像超分、遥感图像超分、文字文档图像超分（基于某一类特征研究，好出成果，适用于想快速出文章的同学，可以解决实际问题，做项目）
  • 提升超分训练效率（Efficient Image Super-Resolution）
  • 通用方法 —— 将某个方法加入到超分流程中实现更好的效果，比如某个数据增强使用后比不使用效果好，在网络尾端使用dropout比不使用效果好等。

前沿资讯

  1. 【图像超分】前沿资讯：CVPR 2025 10th NTIRE Workshop挑战赛x4图像超分赛道报告！一大批CVPRW论文即将来袭！
  2. 【图像超分】前沿资讯：枯燥且乏味的比赛！Xiaomi永远的神！去年的冠军含金量还在上升！全都是SPAN变体！第十届NTIRE 2025高效超分辨率挑战赛报告，一大批CVPRW论文即将来袭！

问题汇总

本小节汇总遇到的问题，不定期更新。

  1. 如何做scale=1的超分，即不放大，只变清晰？

答：可以，但不符合超分的做法。因为超分的含义就是提升分辨率，没办法训练scale=1的模型，scale=1就变成其他问题了（想变清晰是去模糊image deblurring）。但可以放大完再缩小。也有输入输出图像大小一致的模型，但不是scale=1训练出来的。总之，有很多手段可以不放大，只变清晰。但不是scale=1。跟图像大小没关系，超分主要是学习不同分辨率图像之间的映射关系，实际上不是图像大小缩放而来的关系，也可以按照超分的流程训练找到LR和HR的关系，LR图像输入模型，模型推理出对应的HR。缩放倍数只是一种得到LR的手段，一种提前设定好的关系。

  1. python与matlab计算PSNR和SSIM的差别

  • 【深度思考】为什么评价指标PSNR、SSIM和论文中的不一样？一文搞清超分辨率主流benchmarks测试集Set5等的PSNR、SSIM的计算方式以及python与matlab的imresize差别

  • what is the difference between opencv’s and matlab’s bicubic algorithm?

  • https://github.com/spnova12/SR_bicubic_test-matlab-vs-cv2

与我联系

超分交流Q.Q.群：750414192
v.x.：shixiaodayyds（可加v.x.交流群，注明来意，已订阅的备注CSDN昵称）

公众号

关注下方公众号【十小大的底层视觉工坊】，公众号将更新精炼版论文，帮助你用碎片化时间快速掌握论文核心内容。

你可能感兴趣的:(超分辨率重建（理论+实战,科研+应用）,超分辨率重建,人工智能,图像处理,深度学习,计算机视觉,图像超分,pytorch)

  • x86-64汇编语言训练程序与实战 十除以十等于一
    本文还有配套的精品资源，点击获取简介：汇编语言是一种低级语言，与机器代码紧密相关，特别适用于编写系统级代码及性能要求高的应用。nasm编译器是针对x86和x86-64架构的汇编语言编译器，支持多种语法风格和指令集。项目Euler提供数学和计算机科学问题，鼓励编程技巧应用，前100个问题的答案可共享。x86-64架构扩展了寄存器数量并引入新指令，提升了数据处理效率。学习汇编语言能够深入理解计算机底层
  • 三菱PLC全套学习资料及应用手册 good2know
    本文还有配套的精品资源，点击获取简介：三菱PLC作为工业自动化领域的核心设备，其系列产品的学习和应用需要全面深入的知识。本次资料包为学习者提供从基础到进阶的全方位学习资源，包括各种型号PLC的操作手册、编程指南、软件操作教程以及实际案例分析，旨在帮助用户系统掌握PLC的编程语言、指令系统及在各类工业应用中的实施。1.三菱PLC基础知识入门1.1PLC的基本概念可编程逻辑控制器（PLC）是工业自动化
  • 程翔授《评价一篇记叙文》 行吟斯基
    桂林十一中高一2中学生自读程老师学生文章板书课题师巡看。看完举手。问：它是记叙文。不商量。独立打分。学生评价打分。师：高低都正常，不受干扰。师巡，略评。打完举手。调查：分层次举手——高分先举手。最低分。最高95分。最低45分。女：差距太大！师：同一篇，相差55分。若是你的文章，愿落谁手？男：身临其境感觉。师：你有此经历？没也没关系。女：不优美……，结尾无升华……无感悟……师：辞藻不美？(师追问)男
  • 移动端城市区县二级联动选择功能实现包 good2know
    本文还有配套的精品资源，点击获取简介：本项目是一套为移动端设计的jQuery实现方案，用于简化用户在选择城市和区县时的流程。它包括所有必需文件：HTML、JavaScript、CSS及图片资源。通过动态更新下拉菜单选项，实现城市到区县的联动效果，支持数据异步加载。开发者可以轻松集成此功能到移动网站或应用，并可基于需求进行扩展和优化。1.jQuery移动端解决方案概述jQuery技术简介jQuery
  • 15个小技巧，让我的Windows电脑更好用了！ 曹元_
    01.桌面及文档处理第一部分的技巧，主要是围绕桌面的一些基本操作，包括主题设置、常用文档文件快捷打开的多种方式等等。主题换色默认情况下，我们的Win界面可能就是白色的文档界面，天蓝色的图表背景，说不出哪里不好看，但是就是觉得不够高级。imageimage说到高级感，本能第一反应就会和暗色模式联想起来，如果我们将整个界面换成黑夜模式的话，它会是这样的。imageimage更改主题颜色及暗色模式，我们
  • day15｜前端框架学习和算法 universe_01 前端算法笔记
    T22括号生成先把所有情况都画出来，然后（在满足什么情况下）把不符合条件的删除。T78子集要画树状图，把思路清晰。可以用暴力法、回溯法和DFS做这个题DFS深度搜索：每个边都走完，再回溯应用：二叉树搜索，图搜索回溯算法=DFS+剪枝T200岛屿数量（非常经典BFS宽度把树状转化成队列形式，lambda匿名函数“一次性的小函数，没有名字”setup语法糖：让代码更简洁好写的语法ref创建：基本类型的
  • 三件事—小白猫·雨天·八段锦 咸鱼月亮
    1.最近楼下出现一只非常漂亮的粘人小白猫，看着不像是流浪猫，非常亲人。眼睛比蓝球的还大，而且是绿色的，很漂亮。第一次遇到它，它就跟我到电梯口，如果我稍微招招手，肯定就跟我进电梯了。后来我喂过它几次，好可惜不能养它，一只蓝球就是我的极限了。2.下雨天就心烦，好奇怪。明明以前我超爱看窗外的雨和听雨声，看来近来的心情不够宁静了。3.最近在练八段锦，从第一次就爱上了这个运动，很轻松缓慢，但是却出汗。感觉可
  • 《极简思维》第三部分 小洋苏兮
    整理你的人际关系如何改善人际关系？摘录：因为人际关系问题是人们生活中不快乐的主要原因。感想：感觉这个说的挺对，之前我总是埋头学习，不管舍友不管自己的合作伙伴的一些事情，但实际上，这学期关注了之后好多了摘录：“亲密关系与社交会让你健康而快乐。这是基础。太过于关注成就或不太关心人际关系的人都不怎么快乐。基本上来说，人类就是建立在人脉关系上的。”感想：但是如果有时想的太多就不太好，要以一个开放的心态跟别
  • 48. 旋转图像 - 力扣（LeetCode） Fiee-77 #数组leetcode算法python数据结构数组
    题目：给定一个n×n的二维矩阵matrix表示一个图像。请你将图像顺时针旋转90度。你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。示例1：输入：matrix=[[1,2,3],[4,5,6],[7,8,9]]输出：[[7,4,1],[8,5,2],[9,6,3]]示例2：输入：matrix=[[5,1,9,11],[2,4,8,10],[13,3,6,
  • 英伟达靠什么支撑起了4万亿？AI泡沫还能撑多久？
    英伟达市值突破4万亿美元，既是AI算力需求爆发的直接体现，也暗含市场对未来的狂热预期。其支撑逻辑与潜在风险并存，而AI泡沫的可持续性则取决于技术、商业与地缘政治的复杂博弈。⚙️一、英伟达4万亿市值的核心支撑因素技术垄断与生态壁垒硬件优势：英伟达GPU在AI训练市场占有率超87%，H100芯片的FP16算力达1979TFLOPS，领先竞品3-5倍。CUDA生态：400万开发者构建的软件护城河，成为A
  • ARM 和 AMD 架构的区别 m0_69576880 arm开发windows架构
    ARM架构和AMD架构是两种不同的计算机处理器架构，它们有以下几个主要区别：设计出发点、兼容性、性能特点、市场定价。设计出发点：①ARM构架：ARM架构最初是为嵌入式系统设计的，旨在提供低功耗和高效能的解决方案。它主要应用于移动设备、嵌入式系统和物联网设备②AMD架构：AMD架构是基于x86架构的扩展，旨在提供与Intel架构兼容的处理器。它主要用于台式机、服务器和工作站等计算机系统。兼容性：AR
  • Linux系统配置（应用程序） 1风天云月 Linuxlinux应用程序编译安装rpmhttp
    目录前言一、应用程序概述1、命令与程序的关系2、程序的组成3、软件包封装类型二、RPM1、RPM概述2、RPM用法三、编译安装1、解包2、配置3、编译4、安装5、启用httpd服务结语前言在Linux中的应用程序被视为将软件包安装到系统中后产生的各种文档，其中包括可执行文件、配置文件、用户手册等内容，这些文档被组织为一个有机的整体，为用户提供特定的功能，因此对于“安装软件包”与“安装应用程序”这两
  • Flowable 实战落地核心：选型决策与坑点破解 练习时长两年半的程序员小胡 Flowable流程引擎实战指南低代码BPMN流程引擎flowable后端java
    在企业级流程引擎的落地过程中，选型的准确性和坑点的预见性直接决定项目成败。本文聚焦Flowable实战中最关键的“选型决策”与“常见坑点”，结合真实项目经验，提供可落地的解决方案。一、流程引擎选型：从业务本质出发1.1选型的三大核心维度企业在选择流程引擎时，需避免陷入“技术崇拜”，应回归业务本质。评估Flowable是否适用，可从三个维度判断：业务复杂度若流程涉及动态审批链（如按金额自动升级审批）
  • Flowable 高级扩展：自定义元素与性能优化实战 练习时长两年半的程序员小胡 Flowable流程引擎实战指南流程图flowableBPMN流程引擎java
    在前五篇文章中，我们从基础概念、流程设计、API实战、SpringBoot集成，到外部系统协同，逐步构建了Flowable的应用体系。但企业级复杂场景中，原生功能往往难以满足定制化需求——比如需要特殊的审批规则网关、与决策引擎联动实现动态路由，或是在高并发场景下优化流程引擎性能。本文将聚焦Flowable的高级扩展能力，详解如何自定义流程元素、集成规则引擎，并掌握大型系统中的性能调优策略。一、自定
  • 互信息：理论框架、跨学科应用与前沿进展 大千AI助手 人工智能Python#OTHER人工智能深度学习算法互信息香农通信随机变量
    1.起源与核心定义互信息（MutualInformation,MI）由克劳德·香农（ClaudeShannon）在1948年开创性论文《AMathematicalTheoryofCommunication》中首次提出，该论文奠定了现代信息论的基础。互信息用于量化两个随机变量之间的统计依赖关系，定义为：若已知一个随机变量的取值，能为另一个随机变量提供的信息量。数学上，对于离散随机变量XXX和YYY，
  • 2021-会说话的人运气都不会太差-会说话的人更善于倾听（5）沉默、留白 12_德德
    21、说话时，如想强调某一部分，一个有效方法是，以沉默留出空白。留出多大空白才好呢？7秒。22、沉默所营造的“空白”长度，说的人感觉到的，是实际长度的3倍，而听的人感觉到的，则只有实际长度的1/3。23、只要善于用“一直”来表达，就不会给人以不过是一时任性之感。能说“一直”的人，会得到周围的支持，在合适的时候想到你。24、要得到“是把好手”的高度评价，就要展示你对公司的热爱。特别是，如能对上司或公
  • 企业级区块链平台Hyperchain核心原理剖析 boyedu 区块链区块链企业级区块链平台Hyperchain
    Hyperchain作为国产自主可控的企业级联盟区块链平台，其核心原理围绕高性能共识、隐私保护、智能合约引擎及可扩展架构展开，通过多模块协同实现企业级区块链网络的高效部署与安全运行。以下从核心架构、关键技术、性能优化、安全机制、应用场景五个维度展开剖析：一、核心架构：分层解耦与模块化设计Hyperchain采用分层架构，将区块链功能解耦为独立模块，支持灵活组合与扩展：P2P网络层由验证节点（VP）
  • 力扣面试题07 - 旋转矩阵 茶猫_ leetcode矩阵算法c语言
    题目：给你一幅由N×N矩阵表示的图像，其中每个像素的大小为4字节。请你设计一种算法，将图像旋转90度。不占用额外内存空间能否做到？示例1:给定matrix=[[1,2,3],[4,5,6],[7,8,9]],原地旋转输入矩阵，使其变为:[[7,4,1],[8,5,2],[9,6,3]]示例2:给定matrix=[[5,1,9,11],[2,4,8,10],[13,3,6,7],[15,14,12,
  • 2025年SDK游戏盾终极解析：重新定义手游安全的“隐形护甲” 上海云盾商务经理杨杨 游戏安全
    副标题：从客户端加密到AI反外挂，拆解全链路防护如何重塑游戏攻防天平引言：当传统高防在手游战场“失效”2025年全球手游市场规模突破$2000亿，黑客单次攻击成本却降至$30——某SLG游戏因协议层CC攻击单日流失37%玩家，某开放世界游戏遭低频DDoS瘫痪6小时损失千万。传统高防IP的致命短板暴露无遗：无法识别伪造客户端流量、难防协议篡改、误杀率超15%。而集成于游戏终端的SDK游戏盾，正以“源
  • EasyPlayer播放器系列开发计划2025 xiejiashu EasyPlayerEasyPlayerEasyPlayer播放器RTSP播放器js播放器Web播放器
    EasyPlayer系列产品发展至今，已经超过10年，从最早的EasyPlayerRTSP播放器，到如今维护的3条线：EasyPlayer-RTSP播放器：Windows、Android、iOS；EasyPlayerPro播放器：Windows、Android、iOS；EasyPlayer.js播放器：H5；这3个播放器各有各的应用场景，用户量也是巨大，像RTSP版本的播放器，到今天依然还有很多低
  • 图论算法经典题目解析：DFS、BFS与拓扑排序实战 周童學 数据结构与算法深度优先算法图论
    图论算法经典题目解析：DFS、BFS与拓扑排序实战图论问题是算法面试中的高频考点，本博客将通过四道LeetCode经典题目（均来自"Top100Liked"题库），深入讲解图论的核心算法思想和实现技巧。涵盖DFS、BFS、拓扑排序和前缀树等知识点，每道题配有Java实现和易错点分析。1.岛屿数量(DFS遍历)问题描述给定一个由'1'(陆地)和'0'(水)组成的二维网格，计算岛屿的数量。岛屿由水平或
  • 【项目实战】 容错机制与故障恢复：保障系统连续性的核心体系 本本本添哥 004-研效与DevOps运维工具链002-进阶开发能力分布式
    在分布式系统中，硬件故障、网络波动、软件异常等问题难以避免。容错机制与故障恢复的核心目标是：通过主动检测故障、自动隔离风险、快速转移负载、重建数据一致性，最大限度减少故障对业务的影响，保障系统“持续可用”与“数据不丢失”。以下从核心机制、实现方式、典型案例等维度展开说明。一、故障检测：及时发现异常节点故障检测是容错的第一步，需通过多维度手段实时感知系统组件状态，确保故障被快速识别。1.健康检查与心
  • Java并发核心：线程池使用技巧与最佳实践！ | 多线程篇(五) bug菌¹ Java实战(进阶版)javaJava零基础入门Java并发线程池多线程篇
    本文收录于「Java进阶实战」专栏，专业攻坚指数级提升，希望能够助你一臂之力，帮你早日登顶实现财富自由；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！环境说明：Windows10+IntelliJIDEA2021.3.2+Jdk1.8本文目录前言摘要正文何为线程池？为什么需要线程池？线程池的好处线程池使用场景如何创建线程池？线程池的常见配置源码解析案例分享案例代码演示案例运行
  • 5G基站信号加速器！AD8021ARZ-REEL7亚德诺 超低噪声高速电压放大器 专利失真消除技术! 深圳市尚想信息技术有限公司 5G通信高速运放ADI黑科技8K视频医疗超声
    AD8021ARZ-REEL7ADI：重新定义高速放大器的性能极限！一、产品简介AD8021ARZ-REEL7是ADI（亚德诺半导体）推出的超低噪声高速电压反馈放大器，采用XFCB工艺和专利失真消除技术，专为4K/8K视频处理、医疗成像、5G通信等超高频应用设计。以1.8GHz带宽和0.1nV/√Hz超低噪声，成为高速信号调理的终极解决方案！二、五大颠覆性优势军工级信号保真度1.8GHz-3dB带
  • 常规笔记本和加固笔记本的区别 luchengtech 电脑三防笔记本加固计算机加固笔记本
    在现代科技产品中，笔记本电脑因其便携性和功能性被广泛应用。根据使用场景和需求的不同，笔记本可分为常规笔记本和加固笔记本，二者在多个方面存在显著区别。适用场景是区分二者的重要标志。常规笔记本主要面向普通消费者和办公人群，适用于家庭娱乐、日常办公、学生学习等相对稳定的室内环境。比如，人们在家用它追剧、处理文档，学生在教室用它完成作业。而加固笔记本则专为特殊行业设计，像军事、野外勘探、工业制造、交通运输
  • JVM 内存分配与回收策略：从对象创建到内存释放的全流程
    在JVM的运行机制中，内存分配与回收策略是连接对象生命周期与垃圾收集器的桥梁。它决定了对象在堆内存中的创建位置、存活过程中的区域迁移，以及最终被回收的时机。合理的内存分配策略能减少GC频率、降低停顿时间，是优化Java应用性能的核心环节。本文将系统解析JVM的内存分配规则、对象晋升机制，以及实战中的内存优化技巧。一、对象优先在Eden区分配：新生代的“临时缓冲区”大多数情况下，Java对象在新生代
  • 为了在未来的人工智能世界中取得成功，学生们必须学习人类写作的优点 睿邸管家
    澳大利亚各地的学生在新学年开始使用铅笔、钢笔和键盘学习写字。在工作场所，机器也在学习写作，如此有效，几年之内，它们可能会写得比人类更好。有时它们已经做到了，就像Grammarly这样的应用程序所展示的那样。当然，人类现在的日常写作可能很快就会由具有人工智能(AI)的机器来完成。手机和电子邮件软件常用的预测文本是无数人每天都在使用的一种人工智能写作形式。据AI行业研究机构称，到2022年，人工智能及
  • 7月29日星期二今日早报简报微语报早读 微语早读 生活
    7月29日星期二，农历闰六月初五，早报#微语早读。1、国家育儿补贴方案公布！3周岁前每娃每年3600元；2、火狐浏览器官宣关闭北京公司，将终止中国账户服务；3、税务总局：2021年以来查处网络主播偷逃税案件360余起，查补税款30多亿元；4、江苏省体育局：职业俱乐部获男足中超冠军奖补3000万元；5、深圳出现首宗基孔肯雅热病例；6、税务总局：从今年个税汇算看，超1亿纳税人依法申请退税1300多亿，
  • D124:如何训练独立思考力？ 大栗子_
    当我们要判断一个理论或者思想是否正确，需要有三个层次，分别是体验、解释和分析。首先看体验。很多时候，我们会相信“听上去、感觉是对的”的事情。我们之前讲的太空笔的故事之所以大多数人都认为是对的，就是有一些看似真实的关键词，比如美国，NASA，设计等，这些词看起来非常权威，但是离我们又遥远，这时候我们的大脑就会放松警惕了。于是，我们毫不犹豫就接受了。说到这里，你有没有发现之前的电视广告中的各种高让我们
  • Android 应用权限管理详解
    文章目录1.权限类型2.权限请求机制3.权限组和分级4.权限管理的演进5.权限监控和SELinux强制访问控制6.应用权限审核和GooglePlayProtect7.开发者最佳实践8.用户权限管理9.Android应用沙箱模型10.ScopedStorage（分区存储）11.背景位置权限（BackgroundLocationAccess）12.权限回收和自动清理13.权限请求的用户体验设计14.G
  • 书其实只有三类 西蜀石兰 类
    一个人一辈子其实只读三种书，知识类、技能类、修心类。 知识类的书可以让我们活得更明白。类似十万个为什么这种书籍，我一直不太乐意去读，因为单纯的知识是没法做事的，就像知道地球转速是多少一样（我肯定不知道），这种所谓的知识，除非用到，普通人掌握了完全是一种负担，维基百科能找到的东西，为什么去记忆？ 知识类的书，每个方面都涉及些，让自己显得不那么没文化，仅此而已。社会认为的学识渊博，肯定不是站在
  • 《TCP/IP 详解，卷1：协议》学习笔记、吐槽及其他 bylijinnan tcp
    《TCP/IP 详解，卷1：协议》是经典，但不适合初学者。它更像是一本字典，适合学过网络的人温习和查阅一些记不清的概念。 这本书，我看的版本是机械工业出版社、范建华等译的。这本书在我看来，翻译得一般，甚至有明显的错误。如果英文熟练，看原版更好： http://pcvr.nl/tcpip/ 下面是我的一些笔记，包括我看书时有疑问的地方，也有对该书的吐槽，有不对的地方请指正： 1.
  • Linux—— 静态IP跟动态IP设置 eksliang linuxIP
    一.在终端输入 vi /etc/sysconfig/network-scripts/ifcfg-eth0 静态ip模板如下： DEVICE="eth0" #网卡名称 BOOTPROTO="static" #静态IP（必须） HWADDR="00:0C:29:B5:65:CA" #网卡mac地址 IPV6INIT=&q
  • Informatica update strategy transformation 18289753290
    更新策略组件： 标记你的数据进入target里面做什么操作，一般会和lookup配合使用，有时候用0,1,1代表 forward  rejected rows被选中，rejected row是输出在错误文件里，不想看到reject输出，将错误输出到文件，因为有时候数据库原因导致某些column不能update，reject就会output到错误文件里面供查看，在workflow的
  • 使用Scrapy时出现虽然队列里有很多Request但是却不下载，造成假死状态 酷的飞上天空 request
    现象就是： 程序运行一段时间，可能是几十分钟或者几个小时，然后后台日志里面就不出现下载页面的信息，一直显示上一分钟抓取了0个网页的信息。 刚开始已经猜到是某些下载线程没有正常执行回调方法引起程序一直以为线程还未下载完成，但是水平有限研究源码未果。 经过不停的google终于发现一个有价值的信息，是给twisted提出的一个bugfix 连接地址如下http://twistedmatrix.
  • 利用预测分析技术来进行辅助医疗 蓝儿唯美 医疗
    2014年，克利夫兰诊所（Cleveland Clinic）想要更有效地控制其手术中心做膝关节置换手术的费用。整个系统每年大约进行2600例此类手术，所以，即使降低很少一部分成本，都可以为诊 所和病人节约大量的资金。为了找到适合的解决方案，供应商将视野投向了预测分析技术和工具，但其分析团队还必须花时间向医生解释基于数据的治疗方案意味着 什么。  克利夫兰诊所负责企业信息管理和分析的医疗
  • java 线程(一)：基础篇 DavidIsOK java多线程线程
                                                            &nbs
  • Tomcat服务器框架之Servlet开发分析 aijuans servlet
    最近使用Tomcat做web服务器，使用Servlet技术做开发时，对Tomcat的框架的简易分析： 疑问： 为什么我们在继承HttpServlet类之后，覆盖doGet(HttpServletRequest req, HttpServetResponse rep)方法后，该方法会自动被Tomcat服务器调用，doGet方法的参数有谁传递过来？怎样传递？ 分析之我见： doGet方法的
  • 揭秘玖富的粉丝营销之谜 与小米粉丝社区类似 aoyouzi 揭秘玖富的粉丝营销之谜
    玖富旗下悟空理财凭借着一个微信公众号上线当天成交量即破百万，第七天成交量单日破了1000万;第23天时，累计成交量超1个亿……至今成立不到10个月，粉丝已经超过500万，月交易额突破10亿，而玖富平台目前的总用户数也已经超过了1800万，位居P2P平台第一位。很多互联网金融创业者慕名前来学习效仿，但是却鲜有成功者，玖富的粉丝营销对外至今仍然是个谜。   　　近日，一直坚持微信粉丝营销
  • Java web的会话跟踪技术 百合不是茶 url会话Cookie会话Seession会话Java Web隐藏域会话
    会话跟踪主要是用在用户页面点击不同的页面时,需要用到的技术点   会话:多次请求与响应的过程     1,url地址传递参数,实现页面跟踪技术          格式:传一个参数的 url?名=值     传两个参数的 url?名=值 &名=值   关键代码
  • web.xml之Servlet配置 bijian1013 javaweb.xmlServlet配置
    定义： <servlet> <servlet-name>myservlet</servlet-name> <servlet-class>com.myapp.controller.MyFirstServlet</servlet-class> <init-param> <param-name>
  • 利用svnsync实现SVN同步备份 sunjing SVN同步E000022svnsync镜像
    1. 在备份SVN服务器上建立版本库    svnadmin create test 2. 创建pre-revprop-change文件     cd test/hooks/     cp pre-revprop-change.tmpl pre-revprop-change 3. 修改pre-revprop-
  • 【分布式数据一致性三】MongoDB读写一致性 bit1129 mongodb
    本系列文章结合MongoDB，探讨分布式数据库的数据一致性，这个系列文章包括： 数据一致性概述与CAP 最终一致性(Eventually Consistency) 网络分裂(Network Partition)问题 多数据中心(Multi Data Center) 多个写者(Multi Writer)最终一致性 一致性图表(Consistency Chart) 数据
  • Anychart图表组件-Flash图转IMG普通图的方法 白糖_ Flash
    问题背景：项目使用的是Anychart图表组件，渲染出来的图是Flash的，往往一个页面有时候会有多个flash图，而需求是让我们做一个打印预览和打印功能，让多个Flash图在一个页面上打印出来。   那么我们打印预览的思路是获取页面的body元素，然后在打印预览界面通过$("body").append(html)的形式显示预览效果，结果让人大跌眼镜：Flash是
  • Window 80端口被占用 WHY? bozch 端口占用window
    平时在启动一些可能使用80端口软件的时候，会提示80端口已经被其他软件占用，那一般又会有那些软件占用这些端口呢？    下面坐下总结：         1、web服务器是最经常见的占用80端口的，例如：tomcat , apache  , IIS , Php等等；         2
  • 编程之美-数组的最大值和最小值-分治法（两种形式） bylijinnan 编程之美
    import java.util.Arrays; public class MinMaxInArray { /** * 编程之美 数组的最大值和最小值 分治法 * 两种形式 */ public static void main(String[] args) { int[] t={11,23,34,4,6,7,8,1,2,23}; int[]
  • Perl正则表达式 chenbowen00 正则表达式perl
    首先我们应该知道 Perl 程序中，正则表达式有三种存在形式，他们分别是： 匹配：m/<regexp>;/ （还可以简写为 /<regexp>;/ ，略去 m） 替换：s/<pattern>;/<replacement>;/ 转化：tr/<pattern>;/<replacemnt>;
  • [宇宙与天文]行星议会是否具有本行星大气层以外的权力呢? comsci
          举个例子: 地球,地球上由200多个国家选举出一个代表地球联合体的议会,那么现在地球联合体遇到一个问题,地球这颗星球上面的矿产资源快要采掘完了....那么地球议会全体投票,一致通过一项带有法律性质的议案,既批准地球上的国家用各种技术手段在地球以外开采矿产资源和其它资源........    &
  • Oracle Profile 使用详解 daizj oracleprofile资源限制
    Oracle Profile 使用详解 转 一、目的： Oracle系统中的profile可以用来对用户所能使用的数据库资源进行限制，使用Create Profile命令创建一个Profile，用它来实现对数据库资源的限制使用，如果把该profile分配给用户，则该用户所能使用的数据库资源都在该profile的限制之内。 二、条件： 创建profile必须要有CREATE PROFIL
  • How HipChat Stores And Indexes Billions Of Messages Using ElasticSearch & Redis dengkane elasticsearchLucene
    This article is from an interview with Zuhaib Siddique, a production engineer at HipChat, makers of group chat and IM for teams. HipChat started in an unusual space, one you might not
  • 循环小示例，菲波拉契序列，循环解一元二次方程以及switch示例程序 dcj3sjt126com c算法
    # include <stdio.h> int main(void) { int n; int i; int f1, f2, f3; f1 = 1; f2 = 1; printf("请输入您需要求的想的序列："); scanf("%d", &n); for (i=3; i<n; i
  • macbook的lamp环境 dcj3sjt126com lamp
      sudo vim /etc/apache2/httpd.conf   /Library/WebServer/Documents 是默认的网站根目录   重启Mac上的Apache服务   这个命令很早以前就查过了，但是每次使用的时候还是要在网上查： 停止服务：sudo /usr/sbin/apachectl stop 开启服务：s
  • java ArrayList源码 下 shuizhaosi888 ArrayList源码
    版本 jdk-7u71-windows-x64   JavaSE7 ArrayList源码上：http://flyouwith.iteye.com/blog/2166890     /** * 从这个列表中移除所有c中包含元素 */ public boolean removeAll(Collection<?> c) {
  • Spring Security（08）——intercept-url配置 234390216 Spring Securityintercept-url访问权限访问协议请求方法
    intercept-url配置 目录 1.1     指定拦截的url 1.2     指定访问权限 1.3     指定访问协议 1.4     指定请求方法   1.1   &n
  • Linux环境下的oracle安装 jayung oracle
    linux系统下的oracle安装 本文档是Linux(redhat6.x、centos6.x、redhat7.x) 64位操作系统安装Oracle 11g(Oracle Database 11g Enterprise Edition Release 11.2.0.4.0 - 64bit Production)，本文基于各种网络资料精心整理而成，共享给有需要的朋友。如有问题可联系：QQ：52-7
  • hotspot虚拟机 leichenlei javaHotSpotjvm虚拟机文档
    JVM参数  http://docs.oracle.com/javase/6/docs/technotes/guides/vm/index.html   JVM工具 http://docs.oracle.com/javase/6/docs/technotes/tools/index.html   JVM垃圾回收 http://www.oracle.com
  • 读《Node.js项目实践：构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活” noaighost Webnode.js
    读《Node.js项目实践：构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活” 眼里的Node.JS 初初接触node是一年前的事，那时候年少不更事。还在纠结什么语言可以编写出牛逼的程序，想必每个码农都会经历这个月经性的问题：微信用什么语言写的？facebook为什么推荐系统这么智能，用什么语言写的？dota2的外挂这么牛逼，用什么语言写的？……用什么语言写这句话，困扰人也是阻碍
  • 快速开发Android应用 rensanning android
    Android应用开发过程中，经常会遇到很多常见的类似问题，解决这些问题需要花时间，其实很多问题已经有了成熟的解决方案，比如很多第三方的开源lib，参考 Android Libraries 和 Android UI/UX Libraries。 编码越少，Bug越少，效率自然会高。 但可能由于 根本没听说过、听说过但没用过、特殊原因不能用、自己已经有了解决方案等等原因，这些成熟的解决
  • 理解Java中的弱引用 tomcat_oracle java工作面试
    　不久之前，我 面试了一些求职Java高级开发工程师的应聘者。我常常会面试他们说，“你能给我介绍一些Java中得弱引用吗？”，如果面试者这样说，“嗯，是不是垃圾回收有关的？”，我就会基本满意了，我并不期待回答是一篇诘究本末的论文描述。 　　然而事与愿违，我很吃惊的发现，在将近20多个有着平均5年开发经验和高学历背景的应聘者中，居然只有两个人知道弱引用的存在，但是在这两个人之中只有一个人真正了
  • 标签输出html标签" target="_blank">关于标签输出html标签 xshdch jsp
    http://back-888888.iteye.com/blog/1181202 关于<c:out value=""/>标签的使用，其中有一个属性是escapeXml默认是true(将html标签当做转移字符，直接显示不在浏览器上面进行解析)，当设置escapeXml属性值为false的时候就是不过滤xml，这样就能在浏览器上解析html标签， &nb
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他