用于图像超分辨率的非对称 CNN
计算机视觉与模式识别
2021-03-31 v2
摘要
深度卷积神经网络（CNNs）在过去五年中已广泛应用于底层视觉。根据不同应用的性质，设计了合适的 CNN 架构。然而，定制化架构通过将所有像素点同等对待来聚集不同特征以提升给定应用的性能，这忽略了局部强势像素点的影响并导致训练效率低下。在本文中，我们提出了一种非对称 CNN（ACNet），由非对称块（AB）、记忆增强块（MEB）和高频特征增强块（HFFEB）组成，用于图像超分辨率。AB 利用一维非对称卷积在水平和垂直方向上强化方形卷积核，以提升局部显著特征对 SISR 的影响。MEB 通过残差学习（RL）技术融合来自 AB 的所有层次化低频特征，以解决长期依赖问题，并将获得的低频特征转化为高频特征。HFFEB 利用低频和高频特征获得更鲁棒的超分辨率特征并解决特征过度增强问题。此外，它还负责重建高分辨率（HR）图像。大量实验表明，我们的 ACNet 能有效解决单图像超分辨率（SISR）、盲 SISR 以及含盲噪声的盲 SISR 问题。ACNet 的代码见 https://github.com/hellloxiaotian/ACNet。
引用
@article{arxiv.2103.13634,
title = {Asymmetric CNN for image super-resolution},
author = {Chunwei Tian and Yong Xu and Wangmeng Zuo and Chia-Wen Lin and David Zhang},
journal= {arXiv preprint arXiv:2103.13634},
year = {2021}
}
备注
Blind Super-resolution; Blind Super-resolution with unknown noise