参数化图像算子的解耦学习
计算机视觉与模式识别
2018-08-10 v2
摘要
许多不同的深度网络已被用于近似、加速或改进传统图像算子，如图像平滑、超分辨率与去噪。在这些传统算子中，许多包含需要调整以获得满意结果的参数，我们称之为“参数化图像算子”。然而，现有大多数为此类算子训练的深度网络仅针对某一种特定参数配置设计，无法满足通常要求灵活参数设置的真实场景需求。为克服此限制，我们提出一种新的解耦学习算法，从算子参数中学习动态调整用于图像算子的深度网络（记为基网络）的权重。所学算法构成另一个网络，即权重学习网络，其可与基网络端到端联合训练。实验表明，所提框架可成功应用于许多传统参数化图像算子。我们提供了更多分析以更好地理解该框架，这可能启发该方向上更有前景的研究。我们的代码与模型已发布于 https://github.com/fqnchina/DecoupleLearning
引用
@article{arxiv.1807.08186,
title = {Decouple Learning for Parameterized Image Operators},
author = {Qingnan Fan and Dongdong Chen and Lu Yuan and Gang Hua and Nenghai Yu and Baoquan Chen},
journal= {arXiv preprint arXiv:1807.08186},
year = {2018}
}
备注
Accepted by ECCV2018