RCAN
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- Northeastern University
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 8 July 2018
- Auteurs
- Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Image generation, Vision
- Tâche
- Image super-resolution
- Format numérique
- FP32
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 16M
- Données d'entraînement
- tokens
"EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance."
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Unknown
- Citations
- 4,954
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Image Super-Resolution Using Very Deep Residual Channel Attention Networks
- Dernière mise à jour
- 1 January 2026
Ce que signifient les chiffres
Background
RCAN was published by Northeastern University, in United States of America, in July 2018. The organisation is categorised as academia.
It works in Image generation, Vision, and is recorded as doing image super-resolution.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Réponses
RCAN — Questions fréquentes
What is RCAN used for?
RCAN works in Image generation, Vision, and is recorded as handling image super-resolution. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run RCAN?
None. RCAN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is RCAN open source?
The licensing for RCAN was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does RCAN have?
RCAN has 16M parameters. "EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance.". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created RCAN?
RCAN was published by Northeastern University, based in United States of America, categorised as academia.
When was RCAN released?
RCAN was published in July 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.