基于参考数据集的集成超分辨率

通过发展精细的图像先验或设计更深（deep）的架构，近来已提出多种图像超分辨率（SR）方法并取得了非常有前景的性能。一个自然产生的问题是：这些方法能否被重构为一个统一框架，以及该框架是否有助于 SR 重建？在本文中，我们提出一种基于集成学习的简单但有效的单图像 SR 方法，其性能优于所集成的任一 SR 方法（或称为分量超分辨率器）。基于在执行 SR 重建时更好的分量超分辨率器应具有更大集成权重的假设，我们提出一种最大后验（MAP）估计框架用于推断最优集成权重。特别地，我们引入一个由高分辨率（HR）和低分辨率（LR）图像对组成的参考数据集，以度量不同分量超分辨率器的超分辨率能力（先验知识）。为获得最优集成权重，我们提出将重建约束（即退化的 HR 图像应等于 LR 观测图像）以及集成权重的先验知识纳入 MAP 估计框架。此外，所提出的优化问题可通过解析解求解。我们通过与不同的竞争性方法（包括四种最先进的非深度学习方法、四种最新的深度学习方法以及一种基于集成学习的方法）进行比较来研究所提方法的性能，并在三个公开数据集上证明其有效性与优越性。