DRFN：用于大倍数单图像超分辨率的深度循环融合网络
计算机视觉与模式识别
2019-08-28 v1 图像与视频处理
摘要
近年来，得益于深度卷积神经网络（CNNs）的发展，单图像超分辨率取得了巨大进展。绝大多数基于CNN的模型使用预定义的上采样算子（如双三次插值）将输入的低分辨率图像放大到所需尺寸，并学习插值图像与真实高分辨率（HR）图像之间的非线性映射。然而，插值处理会导致视觉伪影，因为细节被过度平滑，尤其在超分辨率倍数较高时。本文提出一种深度循环融合网络（DRFN），其利用转置卷积代替双三次插值进行上采样，并融合从循环残差块中提取的不同层级特征来重建最终的HR图像。我们采用深度循环学习策略，从而拥有更大的感受野，有利于更准确地重建图像。此外，我们表明多级融合结构适用于处理图像超分辨率问题。大量基准评估表明，所提出的DRFN在精度和视觉效果上优于当前大多数深度学习方法，尤其对于大尺度图像，同时使用的参数更少。
引用
@article{arxiv.1908.08837,
title = {DRFN: Deep Recurrent Fusion Network for Single-Image Super-Resolution with Large Factors},
author = {Xin Yang and Haiyang Mei and Jiqing Zhang and Ke Xu and Baocai Yin and Qiang Zhang and Xiaopeng Wei},
journal= {arXiv preprint arXiv:1908.08837},
year = {2019}
}