超分辨率的深度探索:一篇综述
计算机视觉与模式识别
2020-03-24 v3
摘要
基于深度卷积网络的超分辨率是一个快速发展的领域,具有众多实际应用。在本综述中,我们在三个经典及三个近期提出的具有挑战性的数据集上广泛比较了 30 多个最先进的超分辨率卷积神经网络(CNNs),以对单图像超分辨率进行基准测试。我们提出了一种基于深度学习的超分辨率网络分类法,将现有方法分为九类,包括线性、残差、多分支、递归、渐进、基于注意力以及对抗设计。我们还从网络复杂度、内存占用、模型输入与输出、学习细节、网络损失类型以及重要架构差异(如深度、跳跃连接、滤波器)等方面提供了模型间的比较。所执行的广泛评估显示了过去几年中精度的持续快速增长,以及模型复杂度的相应提升和大规模数据集的可用性。还观察到,被确定为基准的开创性方法已被当前的竞争者显著超越。尽管近年来取得了进展,我们仍指出了现有技术的若干不足,并为实现这些开放问题的解决方案提供了未来研究方向。
引用
@article{arxiv.1904.07523,
title = {A Deep Journey into Super-resolution: A survey},
author = {Saeed Anwar and Salman Khan and Nick Barnes},
journal= {arXiv preprint arXiv:1904.07523},
year = {2020}
}
备注
Accepted in ACM Computing Surveys