高效可逆任意图像缩放
图像与视频处理
2022-09-28 v1 计算机视觉与模式识别
摘要
基于深度学习的固定倍率图像超分辨率（SR）已取得巨大成功。为提升其现实适用性，已有众多模型被提出以恢复任意尺度因子（包括沿水平与垂直方向以不同尺度缩放的非对称情形）的SR图像。尽管多数模型仅针对单向放大任务优化，并假定低分辨率（LR）输入具有预定义下采样核，近期基于可逆神经网络（INN）的模型通过联合优化下采样与上采样循环，显著提升了放大精度。然而，受INN架构限制，其仅能处理固定整数倍率且每种倍率需一个独立模型。本文在不增加模型复杂度的前提下，提出一种简洁高效的可逆任意缩放网络（IARN），仅训练单一模型即可实现任意图像缩放。借助位置感知尺度编码与前置通道拆分等创新组件，该网络被优化以将不可逆的缩放循环转化为高效可逆过程。结果表明，其在双向任意缩放中取得了最先进（SOTA）性能，且不损害LR输出的感知质量。同时证明，使用同一网络架构在非对称尺度测试中亦表现良好。
引用
@article{arxiv.2209.13055,
title = {Effective Invertible Arbitrary Image Rescaling},
author = {Zhihong Pan and Baopu Li and Dongliang He and Wenhao Wu and Errui Ding},
journal= {arXiv preprint arXiv:2209.13055},
year = {2022}
}