超越深度残差学习的图像修复：持久同伦引导的流形简化
计算机视觉与模式识别
2017-08-01 v4
摘要
最新的深度学习方法在各种图像修复任务中优于基于信号处理的现有方法。然而，如果图像包含许多图案和结构，这些 CNN 的性能仍然不佳。为此，本文提出一种新的特征空间深度残差学习算法，超越现有残差学习。主要思想源于观察：如果通过分析映射将输入和/或标签流形变得拓扑更简单，学习算法的性能就可以提高。我们的广泛数值研究使用去噪实验和 NTIRE 单张图像超分辨率（SISR）竞赛 demonstrate that 所提出的特征空间残差学习优于现有的 state-of-the-art 方法。此外，我们的算法在 NTIRE 竞赛中名列第 3，而计算时间比前几名团队快 5-10 倍。源代码已公开于页面：https://github.com/iorism/CNN.git
引用
@article{arxiv.1611.06345,
title = {Beyond Deep Residual Learning for Image Restoration: Persistent Homology-Guided Manifold Simplification},
author = {Woong Bae and Jaejun Yoo and Jong Chul Ye},
journal= {arXiv preprint arXiv:1611.06345},
year = {2017}
}
备注
Accepted at CVPRW 2017 source code : https://github.com/iorism/CNN.git