用于联合去马赛克与超分辨率的深度残差网络
计算机视觉与模式识别
2018-02-20 v1
摘要
在数字摄影中,两个图像复原任务已被广泛研究并独立解决:去马赛克与超分辨率。这两个任务均与相机分辨率限制有关。对去马赛克后的图像进行超分辨率处理只会加剧去马赛克引入的伪影。本文中,我们展示这种误差累积可通过联合执行去马赛克与超分辨率轻松避免。为此,我们提出一种深度残差网络,用于学习 Bayer 图像与高分辨率图像之间的端到端映射。通过在高质量样本上训练,我们的深度残差去马赛克与超分辨率网络能够在单步中从低分辨率 Bayer 马赛克恢复高质量超分辨率图像,而不会产生当两个操作分开进行时此类处理常见的伪影。我们进行了大量实验表明,我们的深度残差网络在定性和 PSNR 与 SSIM 指标方面均取得了优于当前最优(state-of-the-art)的去马赛克与超分辨率图像。
引用
@article{arxiv.1802.06573,
title = {Deep Residual Network for Joint Demosaicing and Super-Resolution},
author = {Ruofan Zhou and Radhakrishna Achanta and Sabine Süsstrunk},
journal= {arXiv preprint arXiv:1802.06573},
year = {2018}
}