一种结合插值法与CNN的混合方法实现超分辨率
计算机视觉与模式识别
2018-06-25 v1
摘要
我们提出了一种新颖的架构，学习端到端的映射函数以提升输入自然图像的空间分辨率。该模型独特之处在于利用卷积神经网络对三种传统插值技术进行非线性组合。另一提出的架构采用最近邻插值的跳跃连接，取得了几乎相近的结果。这些架构经过精心设计，以确保重建图像精确位于高分辨率图像的流形中，从而保留具有精细细节的高频分量。我们与当前最优（SOTA）及近期基于深度学习的自然图像超分辨率技术进行了比较，发现我们的方法能够保留图像中的锐利细节，同时获得与之相当或更高的PSNR。由于我们的方法仅使用传统插值和具有较少小型滤波器的浅层CNN，计算成本得以保持较低。我们报告了两种提出架构在五个标准数据集上、放大因子为2的结果。我们的方法在大多数情况下泛化良好，这在日益复杂的数据集上取得的更优结果中得以体现。对于4倍放大，我们设计了类似架构以与其他方法比较。
引用
@article{arxiv.1805.09400,
title = {A hybrid approach of interpolations and CNN to obtain super-resolution},
author = {Ram Krishna Pandey and A G Ramakrishnan},
journal= {arXiv preprint arXiv:1805.09400},
year = {2018}
}