用于超分辨率的带混洗池化层的密集 U-net
图像与视频处理
2021-01-12 v2 计算机视觉与模式识别
摘要
由于计算机视觉领域深度学习的发展，近期研究在单图像超分辨率(SISR)上取得了巨大进展。在这些方法中，高分辨率输入图像在特征提取前使用单一滤波器（通常为最大池化）下采样至低分辨率空间。这意味着特征提取是在有偏的滤波特征空间中进行的。我们证明这是次优的并导致信息损失。本工作中，我们提出了一种称为带混洗池化的密集 U-net 的先进卷积神经网络方法。为此，提出一种带密集块的改进 U-net，称为密集 U-net，用于 SISR。然后，设计了一种称为混洗池化的新池化策略，旨在替代密集 U-net 的下采样操作。如此，我们有效地将 SISR 流程中手工设计的滤波器替换为针对每个特征图专门训练且更具损的下采样滤波器，同时减少了整体 SISR 操作的信息损失。此外，结合均方误差(MSE)、结构相似性指数(SSIM)与平均梯度误差(MGE)的混合损失函数被用于减少感知损失与高层信息损失。我们所提方法在三个基准数据集 SET14、BSD300、ICDAR2003 上取得了优于先前最先进方法的精度。代码已在线公开。
引用
@article{arxiv.2011.05490,
title = {Dense U-net for super-resolution with shuffle pooling layer},
author = {Zhengyang Lu and Ying Chen},
journal= {arXiv preprint arXiv:2011.05490},
year = {2021}
}
备注
17 pages, 6 figures