DnCNN
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University
- Tipo di organizzazione
- Academia,Academia,Industry,Academia
- Paese
- China, Hong Kong
- Pubblicato
- 1 February 2017
- Autori
- Kai Zhang, Wangmeng Zuo, Yunjin Chen, Deyu Meng, Lei Zhang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision, Image generation
- Compito
- Image super-resolution
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 2,560,000,000 tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Unknown
- Citazioni
- 7,779
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Cosa è questo modello
DnCNN è stato pubblicato da Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University, nel paese registrato come China, durante February 2017. La categoria sotto cui rientra l'editore è academia,Academia,Industry,Academia.
Funziona nel dominio di Vision, Image generation, ed è registrato come eseguire il compito di image super-resolution.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
Il set di addestramento si aggirava attorno a 2,560,000,000 token di testo
Il motivo per cui appare in questo catalogo è: highly cited.
Risposte
DnCNN — domande comuni
DnCNN— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
DnCNN— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
DnCNN— chi l'ha creato?
È stato pubblicato da Harbin Institute of Technology,Hong Kong Polytechnic University,ULSee Inc.,Xi’an Jiaotong University, basato su China, un'organizzazione categorizzata come academia,Academia,Industry,Academia.
DnCNN— quando è stato rilasciato?
È stato pubblicato in February 2017. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
DnCNN— A cosa serve?
Funziona nel dominio di Vision, Image generation, e viene registrato come gestire il compito di image super-resolution. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
DnCNN— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.