低秩矩阵分解如何助力超分辨率的内部与外部学习
计算机视觉与模式识别
2023-02-20 v3
摘要
明智地利用内部和外部学习方法是超分辨率问题中的一个新挑战。为解决此问题，我们分析了两种方法的属性，并发现其恢复细节的两个现象：1）它们在特征空间和图像平面上互补，2）它们在空间空间中稀疏分布。这些启发我们提出一种低秩解，其有效集成了两种学习方法并从而获得优越结果。为适配该解，内部学习方法和外部学习方法被调整以产生多个初步结果。我们的理论分析和实验证明，所提出的低秩解不需要大量输入来保证性能，从而简化了针对该解的两种学习方法的的设计。大量实验表明，所提解在定性和定量评估上均改善了单一学习方法。令人惊讶的是，它在噪声图像上展现出更优越的能力，并优于最先进（state-of-the-art）方法。
引用
@article{arxiv.1604.01497,
title = {How Does the Low-Rank Matrix Decomposition Help Internal and External Learnings for Super-Resolution},
author = {Shuang Wang and Bo Yue and Xuefeng Liang and Peiyuan Ji and Licheng Jiao},
journal= {arXiv preprint arXiv:1604.01497},
year = {2023}
}