用于图像超分辨率的门控多重反馈网络
计算机视觉与模式识别
2019-07-11 v2
摘要
深度学习（DL）的快速发展将单图像超分辨率（SR）带入了新时代。然而，在大多数现有的基于 DL 的图像 SR 网络中，信息流仅为前馈式，高层特征无法被充分挖掘。本文中，我们提出门控多重反馈网络（GMFN）以实现精确的图像 SR，其中低层特征的表示通过多重重定向的高层特征得到有效丰富。我们级联多个残差密集块（RDBs）并跨时间递归展开。所提 GMFN 中两个相邻时间步之间的多重反馈连接利用大感受野下捕获的多重高层特征来精炼缺乏足够上下文信息的低层特征。精心设计的门控反馈模块（GFM）从多重重定向的高层特征中高效选择并进一步增强有用信息，进而用增强后的高层信息精炼低层特征。大量实验证明了我们提出的 GMFN 在定量指标与视觉质量上相对于最先进 SR 方法的优越性。代码见 https://github.com/liqilei/GMFN。
引用
@article{arxiv.1907.04253,
title = {Gated Multiple Feedback Network for Image Super-Resolution},
author = {Qilei Li and Zhen Li and Lu Lu and Gwanggil Jeon and Kai Liu and Xiaomin Yang},
journal= {arXiv preprint arXiv:1907.04253},
year = {2019}
}
备注
Accepted to BMVC2019