考虑局部与全局特征的无棋盘格伪影图像增强网络
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
摘要
在本文中，我们提出了一种新颖的卷积神经网络（CNN），用于图像增强，该网络绝不会引起棋盘格伪影。在图像到图像翻译问题的研究领域，众所周知，通常由常规CNN生成的图像会被棋盘格伪影扭曲，这主要由上采样层的前向传播引起。然而，图像增强中的棋盘格伪影从未被讨论过。在本文中，我们指出将基于U-Net的CNN应用于图像增强会导致棋盘格伪影。相比之下，所提出的包含固定卷积层的网络可以完美防止这些伪影。此外，所提出的能够处理局部和全局特征的网络架构使我们能够提升图像增强的性能。实验结果表明，使用固定卷积层可以防止棋盘格伪影，并且所提出的网络在各种客观质量指标（PSNR、SSIM和NIQE）上优于最先进的基于CNN的图像增强方法。
引用
@article{arxiv.2010.12347,
title = {Checkerboard-Artifact-Free Image-Enhancement Network Considering Local and Global Features},
author = {Yuma Kinoshita and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2010.12347},
year = {2020}
}
备注
to appear in APSIPA ASC 2020. arXiv admin note: text overlap with arXiv:1905.02899