利用凸优化技术的超分辨率神经网络自适应损失函数
计算机视觉与模式识别
2020-01-29 v1 机器学习
图像与视频处理
摘要
单图像超分辨率（SISR）任务旨在学习从低分辨率图像到相应高分辨率图像的映射。该任务已知极其困难，因为它是一个不适定问题。近来，卷积神经网络（CNNs）在 SISR 上取得了最先进的性能。然而，CNN 生成的图像不包含图像的精细细节。生成对抗网络（GANs）旨在解决此问题并恢复锐利细节。尽管如此，GANs 以难以训练而著称。此外，它们会在高分辨率图像中产生伪影。在本文中，我们提出了一种方法，其中 CNNs 尝试在不同空间中而非仅在像素空间中对齐图像。这样的空间是利用凸优化技术设计的。CNNs 被鼓励学习图像的高频分量以及低频分量。我们已经表明，所提方法能够恢复图像的精细细节，并且在训练过程中是稳定的。
引用
@article{arxiv.2001.07766,
title = {Adaptive Loss Function for Super Resolution Neural Networks Using Convex Optimization Techniques},
author = {Seyed Mehdi Ayyoubzadeh and Xiaolin Wu},
journal= {arXiv preprint arXiv:2001.07766},
year = {2020}
}