分辨率

以下方法亲测成功（VirtualBox版本5.2.x）： 首先把虚拟机关闭，退出VirtualBox（这一步是否必须不确定，我是这么做的）。 我的虚拟机名为mac10.13，VirtualBox安装目录为默认目录。 #方法一 cd "C:\Program Files\Oracle\VirtualBox" VBoxManage setextradata "mac10.13" CustomVideoMode1 1920 x1080x32 #数组间的符号为小写字母x, 下同 VBoxManage setextradata "mac10.13" VBoxInternal2/E fi GraphicsResolution 1920 x1080 #方法二 cd "C:\Program Files\Oracle\VirtualBox" VBoxManage setextradata "mac10.13" VBoxInternal2/E fi HorizontalResolution 1920 VBoxManage setextradata "mac10.13" VBoxInternal2/E fi VerticalResolution 1080 优先推荐使用方法一，方法二对VirtualBox和虚拟机系统的版本要求更加严格。 执行完以上命令启动虚拟机即可。 文章来源:

Puppeteer自适应分辨率，可以将defaultViewport设为 null, 启动的时候还是半屏显示，点击最大化按钮，可以最大化显示。 这样分辨率能够自适应操作系统。 具体可看：https://github.com/GoogleChrome/puppeteer/issues/3688#issuecomment-453218745 来源：博客园 作者： 看风景就 链接：https://www.cnblogs.com/mengff/p/11596083.html

1.intro 　　图像超分辨率问题是在CV领域一个经典的问题。目前(2014)最先进的方法大多是基于实例的，主要包括利用图片的内部相似性，或者学习低分辨率高分辨率样本对的映射函数。后者往往需要大量的数据，但是目前有效性不足以令人满意并且无法精简模型。其中典型的是基于稀疏编码的方法，包括以下几步：先从图像中密集地抽取patch并进行预处理，然后使用low-resolution dict对patch进行编码，得到稀疏的coefficients，被换成high-resolution dict用于重建高分辨率patch，对这些patch进行合成或平均以得到高分辨率图像。这些方法将注意力都集中在对dict的学习和优化或者其他建模方法，其余步骤很少得到优化和考虑。 　　本篇文章我们提出，上述步骤作用相当于一个卷积神经网络。我们考虑直接在高低分辨率图像中建立一个端到端映射的CNN，用隐藏层取代对dict的学习。在这个过程中，patch的抽取和聚合也能够得到应有的优化。这就是SRCNN，其有以下优点：1.模型简单，精度高。2.速度快。3.随着数据集的增大，重建质量还可以增强。但是在以往方法中，数据集增大会带来很多挑战。 　　本文主要工作： 　　1.针对超分辨问题提出一个基于端到端映射的卷积神经网络，图像预处理后处理更少。 　　2.基于深度学习的SR方法和传统的基于稀疏编码方法的比较。 　　3

修改第一个系统版本的即可

之前写过如何设置vnc https://www.cnblogs.com/jinanxiaolaohu/p/9110002.html 如果想设置vnc的分辨率的话 也很简单 如图示: vncserver -geometry 1920x1080 注意连接方式选择为:

原文链接： http://www.cnblogs.com/Jackie-sky/archive/2013/05/16/3081817.html 最好先检查一下机器的显卡驱动是否安装好了。 在运行中执行regedit命令，注册表的位置: HKEY_LOCAL_MACHINE\SYSTEM\ControlSet001\Hardware Profiles\0001\System\CurrentControlSet\ Control\VIDEO\{1A3EB677-F210-43AE-85B9-C6964FF59BF6}\0000\ “显示器名”的Default Settings.XResolution（水平）和Default Settings.YResolution（垂直）里，注意改的时候要选十进制，这里可以调成任意一种分辨率。 *需要注意的一点是设置的分辨率显示器必须能支持，否则很麻烦，注册表修改的分辨率不像系统设置那样超频了还有15秒的确定时间，可以自动返回，注册表编辑完后系统自动默认， 如果出现超频的情况，还要开机进入安全模式再设置回来。 转载于:https://www.cnblogs.com/Jackie-sky/archive/2013/05/16/3081817.html 文章来源: https://blog.csdn.net/weixin_30820077/article

WIDTH: expression(this.offsetParent.clientWidth<800?"770px":"99%");

问题 早上打开电脑登录ubuntu，突然出现分辨率降低且循环登录的问题 解决过程（一定要看完再操作） 第一秒想到是不是显卡又出问题了， Ctrl + Alt + F1 进入文字界面 检查显卡信息，输入命令啥都没有 sudo nvidia - smi 卸载重装驱动n遍始终无法成功安装 突然想到前天开机进window系统是出现了更新，记得有个字眼 erase … 进入 BIOS ，检查 Secure Boot , 果然变成了 Enabled 更改为 Disabled ,再次进入ubuntu，分辨率正常，无循环登录，因为已经卸载了驱动，不得不重装，一切正常 双系统一定要先检查 Secure Boot，一定！一定！！一定！！！ 文章来源: https://blog.csdn.net/yanglei_1993/article/details/92382794

大部分文章这篇博客介绍的很详细： https://blog.csdn.net/aBlueMouse/article/details/78710553 1、SRCNN（第一次将深度学习应用于SR） 2、FSRCNN（对SRCNN提速，反卷积+小的卷积核） 3、ESPCN（亚像素卷积层） 4、VDSR（全局残差学习） 5、DRCN（全局残差学习+单权重的递归学习+多目标优化） 6、RED（对称的卷积层-反卷积层） 7、DRRN（多路径模式的局部残差学习+全局残差学习+多权重的递归学习） 8、LapSRN（逐步上采样，一级一级预测残差，提出了一种新的多尺度超分辨率系统(MDSR)和训练方法，可以在一个模型中重建不同尺度因子的高分辨率图像） 9、SRDenseNet（引入dense block） 10、SRGAN(SRResNet)（引入GAN和感知损失） 11、EDSR（2017年冠军模型，改进SRResNet） 以下对两篇文章做详细介绍 SRGAN 问题：当我们超分辨率在大尺度因子时，如何恢复更精细的纹理细节? 在这篇文章中，将生成对抗网络(Generative Adversarial Network, GAN)用在了解决超分辨率问题上。文章提到，训练网络时用均方差作为损失函数，虽然能够获得很高的峰值信噪比（psnr），但是恢复出来的图像通常会丢失高频细节（因为它针对一个一个像素优化

EDP是电脑显示屏的一种通信接口，采用EDP显示接口的电脑分辨率会比LVDS接口的显示分辨率高，一般高清屏都是采用这种通信接口，也就是能实现您说的“宽视角”的功能。 　　eDP和LVDS都是工控机中用来连接触摸屏或显示器的的视频信号接口。LVDS接口利用非常低的电压摆幅（约350mV）在两条PCB走线或一对平衡电缆上通过差分进行数据的传输，即低压差分信号传输。是为克服以TTL电平方式传输宽带高码率数据时功耗大、EMI电磁干扰大等缺点而研制的一种数字视频信号传输方式。工控机采用LVDS输出接口，可以使得信号在差分PCB线或平衡电缆上以几百Mbit/s的速率传输，因采用低压和低电流驱动方式，实现了低噪声和低功耗。 　　eDP接口是一种基于DisplayPort架构和协议的一种全数字化接口，可以用较简单的连接器以及较少的引脚来传递高分辨率信号，且能够实现多数据同时传输，故传输速率远高于LVDS。 eDP接口特点： 　　1、微封包结构，能够实现多数据的同时传输。 　　2、无需LVDS转换电路，电路简洁。 　　3、较小的EMI（电磁干扰），并具有强大的版权保护功能。 　　以分辨率为1920x1200、24bit彩色的液晶屏为例，若采用LVDS接口，则数据传输线需20对；若采用eDP接口，则只需要4对线。由此可见，eDP接口的优势相当明显，特别是在高清屏中。近年来