ASDN：一种用于任意尺度图像超分辨率的深度卷积网络
图像与视频处理
2020-10-07 v1 计算机视觉与模式识别
摘要
深度卷积神经网络已显著提升了超分辨率(Super-Resolution, SR)的峰值信噪比。然而，图像浏览应用通常允许用户将图像缩放至任意放大倍数，这在很大程度上要求以巨大的计算成本训练大量尺度。为获得一种计算效率更高的任意尺度超分辨率模型，本文采用拉普拉斯金字塔方法，利用拉普拉斯频率表示中的高频图像细节来重建任意尺度的高分辨率(HR)图像。对于小尺度(1到2之间)的超分辨率，图像由一组稀疏的预计算拉普拉斯金字塔层级插值构建。更大尺度的超分辨率通过从小尺度递归计算，显著降低了计算成本。为全面比较，使用多种基准进行了固定尺度和任意尺度的实验。在固定尺度下，ASDN 在 PSNR 上比预定义上采样方法(如 SRCNN、VDSR、DRRN)高出约 1 dB。在任意尺度下，ASDN 在多数尺度上普遍超过 Meta-SR。
引用
@article{arxiv.2010.02414,
title = {ASDN: A Deep Convolutional Network for Arbitrary Scale Image Super-Resolution},
author = {Jialiang Shen and Yucheng Wang and Jian Zhang},
journal= {arXiv preprint arXiv:2010.02414},
year = {2020}
}