一种用于图像超分辨率的异质组卷积神经网络
图像与视频处理
2022-09-27 v1 计算机视觉与模式识别
摘要
卷积神经网络（CNNs）通过深层架构取得了显著性能。然而，这些CNN在复杂场景下的图像超分辨率（SR）往往鲁棒性较差。本文中，我们提出一种异质组超分辨率CNN（HGSRCNN），通过利用不同类型结构信息来获取高质量图像。具体而言，HGSRCNN的每个异质组块（HGB）采用一种异质架构，以并行方式包含对称组卷积块和互补卷积块，以增强不同通道的内部与外部关联，从而促成更丰富的不同类型低频结构信息。为防止出现冗余特征，设计了一种以串行方式进行信号增强的精炼块来过滤无用信息。为防止原始信息丢失，多级增强机制引导CNN实现对称架构以提升HGSRCNN的表达能力。此外，开发了并行上采样机制来训练盲超分辨率模型。大量实验表明，所提出的HGSRCNN在定量与定性分析上均取得了优异的SR性能。代码可在 https://github.com/hellloxiaotian/HGSRCNN 获取。
引用
@article{arxiv.2209.12406,
title = {A heterogeneous group CNN for image super-resolution},
author = {Chunwei Tian and Yanning Zhang and Wangmeng Zuo and Chia-Wen Lin and David Zhang and Yixuan Yuan},
journal= {arXiv preprint arXiv:2209.12406},
year = {2022}
}