基于模型引导深度展开网络的准确轻量图像超分辨率
计算机视觉与模式识别
2020-11-24 v2
摘要
基于深度神经网络（DNNs）的方法在单图像超分辨率（SISR）中取得了巨大成功。然而，现有的最先进 SISR 技术被设计得像黑箱，缺乏透明性与可解释性。此外，由于黑箱设计，视觉质量的提升往往以模型复杂度的增加为代价。在本文中，我们提出并倡导一种面向 SISR 的可解释方法，称为模型引导深度展开网络（MoG-DUN）。为突破相干性障碍，我们选择使用一种成熟的名为非局部自回归模型的图像先验，并用它来指导我们的 DNN 设计。通过将深度去噪与非局部正则化作为可训练模块集成到深度学习框架中，我们可以将基于模型的 SISR 迭代过程展开为具有三个互联模块（去噪、非局部自回归和重建）的多阶段级联构建块。所有三个模块的设计都利用了包括密集/跳跃连接以及快速非局部实现在内的最新进展。除可解释性外，MoG-DUN 准确（产生更少的混叠伪影）、计算高效（减少了模型参数）且通用（能处理多种退化）。在多个流行数据集和各种退化场景下的大量实验证实了所提 MoG-DUN 方法相对于包括 RCAN、SRMDNF 和 SRFBN 在内的现有最先进图像 SR 方法的优越性。
引用
@article{arxiv.2009.06254,
title = {Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network},
author = {Qian Ning and Weisheng Dong and Guangming Shi and Leida Li and Xin Li},
journal= {arXiv preprint arXiv:2009.06254},
year = {2020}
}
备注
Image Super-resolution, in IEEE Journal of Selected Topics in Signal Processing