DnCNN
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University
- Tipo de Organización
- Academia,Academia,Industry,Academia
- País
- China, Hong Kong
- Publicado
- 1 February 2017
- Autores
- Kai Zhang, Wangmeng Zuo, Yunjin Chen, Deyu Meng, Lei Zhang
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Image generation
- Tarea
- Image super-resolution
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 2,560,000,000 tokens
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Highly cited
- Confianza de registro
- Unknown
- Citas
- 7,779
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
- Última actualización
- 1 January 2026
Qué significan los números
Qué es este modelo
DnCNN fue publicado por Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University, en el país registrado como China, durante February 2017. La categoría en la que se encuentra el editor es academia,Academia,Industry,Academia.
Funciona en el dominio de Vision, Image generation, y se registra como realizando la tarea de image super-resolution.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 2,560,000,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
DnCNN — preguntas comunes
DnCNN— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
DnCNN— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
DnCNN— ¿Quién lo creó?
Fue publicado por Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University, basado en China, una organización categorizada como academia,Academia,Industry,Academia.
DnCNN— ¿cuándo fue lanzado?
Se publicó en February 2017. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
DnCNN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Image generation, y se registra como manejando la tarea de image super-resolution. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
DnCNN— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.