面向多任务的跨尺度残差网络：图像超分辨率、去噪与去块效应
图像与视频处理
2019-11-05 v1 信号处理
应用统计
机器学习
摘要
一般而言，图像复原涉及从低质量图像到其高质量对应图像的映射。这种最优映射通常是非线性的，并且可通过机器学习来学习。近来，深度卷积神经网络已被证明对此类学习过程具有良好前景。一个图像处理网络若能很好地支持三项关键任务——即超分辨率、去噪与去块效应——则是可取的。人们普遍认识到这些任务之间具有强相关性。因此，利用任务间相关性势在必行。为此，我们提出跨尺度残差网络，以挖掘尺度相关特征及三项任务间的任务间相关性。所提网络可提取多空间尺度特征并建立多时间特征复用。我们的实验表明，在多项图像复原任务的定量与定性评价中，所提方法均优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.1911.01257,
title = {Cross-Scale Residual Network for Multiple Tasks:Image Super-resolution, Denoising, and Deblocking},
author = {Yuan Zhou and Xiaoting Du and Yeda Zhang and Sun-Yuan Kung},
journal= {arXiv preprint arXiv:1911.01257},
year = {2019}
}
备注
11 pages, 11 figures