DnCNN
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University
- Type d'organisation
- Academia,Academia,Industry,Academia
- Pays
- China, Hong Kong
- Publié
- 1 February 2017
- Auteurs
- Kai Zhang, Wangmeng Zuo, Yunjin Chen, Deyu Meng, Lei Zhang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision, Image generation
- Tâche
- Image super-resolution
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 2,560,000,000 tokens
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- Highly cited
- Confiance d'enregistrement
- Unknown
- Citations
- 7,779
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Ce que ce modèle est
DnCNN a été publié par Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University, dans le pays enregistré comme China, durant February 2017. La catégorie à laquelle appartient l'éditeur est academia,Academia,Industry,Academia.
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme exécutant la tâche de image super-resolution.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Qu'est-ce qui a été nécessaire pour le construire
L'ensemble d'entraînement a duré environ 2,560,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited.
Réponses
DnCNN — questions courantes
DnCNN— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
DnCNN— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
DnCNN— qui l'a créé ?
Il a été publié par Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University, basé sur China, une organisation catégorisée comme academia,Academia,Industry,Academia.
DnCNN— quand a-t-il été publié ?
Il a été publié dans February 2017. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
DnCNN— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, Image generation, et est enregistré comme gérant la tâche de image super-resolution. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
DnCNN— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.