用于精确单图像超分辨率的深度 Inception-Residual 拉普拉斯金字塔网络
计算机视觉与模式识别
2017-11-16 v1
摘要
通过高效利用大图像区域的上下文信息，深度卷积神经网络在单图像超分辨率（SR）中展现出令人印象深刻的性能。本文中，我们提出一种深度卷积网络，通过在深度拉普拉斯金字塔框架内级联精心设计的 inception-residual 模块，逐步恢复高分辨率（HR）图像缺失的高频细节。通过优化我们的网络结构，所提网络的可训练深度获得显著提升，进而提高了超分辨率精度。然而，随着网络深度增加，训练精度的饱和与退化仍是关键问题。对此，我们提出一种有效的两阶段训练策略：首先使用由真实 HR 图像下采样得到的图像作为最优目标，以梯度裁剪所允许的极高学习率训练各金字塔层中的 inception-residual 模块；随后使用真实 HR 图像微调所有预训练的 inception-residual 模块以获得最终 SR 模型。此外，我们提出一种在图像空间与局部秩空间同时作用的新型损失函数，以优化网络并利用不同输出分量间的上下文信息。在基准数据集上的大量实验证实，所提方法在客观评价与视觉质量上均优于现有最先进的 SR 方法。
引用
@article{arxiv.1711.05431,
title = {Deep Inception-Residual Laplacian Pyramid Networks for Accurate Single Image Super-Resolution},
author = {Yongliang Tang and Weiguo Gong and Xi Chen and Weihong Li},
journal= {arXiv preprint arXiv:1711.05431},
year = {2017}
}