用于退化图像超分辨的门控融合网络
计算机视觉与模式识别
2020-03-05 v2
摘要
单图像超分辨率旨在增强图像关于空间内容的质量,这是计算机视觉中的一项基础任务。在本工作中,我们处理存在图像退化(例如模糊、雾或雨纹)情况下的单帧超分辨率任务。由于帧捕获与形成过程的限制,图像退化不可避免,且伪影会被超分辨率方法加剧。为解决此问题,我们提出了一个双分支卷积神经网络,分别提取基础特征与恢复特征。基础特征包含输入图像的局部与全局信息。另一方面,恢复特征聚焦于退化区域并用于去除退化。随后这些特征通过一个递归门模块融合,以获得用于超分辨率的清晰特征。通过将特征提取步骤分解为两个任务无关的流,该双分支模型可通过避免一次性学习混合退化来促进训练过程,从而增强最终的高分辨率预测结果。我们在三种退化场景下评估了所提方法。在这些场景上的实验表明,所提方法在基准数据集上比最先进的方法更高效且表现更优。
引用
@article{arxiv.2003.00893,
title = {Gated Fusion Network for Degraded Image Super Resolution},
author = {Xinyi Zhang and Hang Dong and Zhe Hu and Wei-Sheng Lai and Fei Wang and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2003.00893},
year = {2020}
}
备注
Accepted by IJCV. The code will be publicly available at https://github.com/BookerDeWitt/GFN-IJCV