用于图像超分辨率的跨尺度内部图神经网络
计算机视觉与模式识别
2020-10-21 v2
摘要
自然图像中的非局部自相似性已被充分研究，作为图像复原的有效先验。然而，对于单图像超分辨率（SISR），大多数现有的深度非局部方法（如非局部神经网络）仅利用低分辨率（LR）输入图像同一尺度内的相似块。因此，复原局限于使用同尺度信息，而忽略了来自其他尺度的潜在高分辨率（HR）线索。本文中，我们探索自然图像的跨尺度块重现特性，即相似块倾向于在不同尺度间多次重现。这通过一种新颖的跨尺度内部图神经网络（IGNN）实现。具体而言，我们通过在降采样 LR 图像中为每个 LR 图像中的查询块搜索 k 近邻块，动态构建跨尺度图。随后我们在 LR 图像中获取相应的 k 个 HR 邻块，并根据所构建图的边标签自适应地聚合它们。以此方式，HR 信息可从 k 个 HR 邻块传递至 LR 查询块，帮助其恢复更精细的纹理。此外，这些图像特有的内部 LR/HR 样本也是对从训练数据集学习到的外部信息的重要补充。大量实验证明了 IGNN 相对于包括现有非局部网络在内的先进 SISR 方法在标准基准上的有效性。
引用
@article{arxiv.2006.16673,
title = {Cross-Scale Internal Graph Neural Network for Image Super-Resolution},
author = {Shangchen Zhou and Jiawei Zhang and Wangmeng Zuo and Chen Change Loy},
journal= {arXiv preprint arXiv:2006.16673},
year = {2020}
}
备注
NeurIPS 2020