HST：用于压缩图像超分辨率的分层 Swin Transformer
计算机视觉与模式识别
2022-12-05 v2 图像与视频处理
摘要
压缩图像超分辨率近年来受到广泛关注，其中图像同时受到压缩伪影和低分辨率伪影的退化。由于复杂的混合失真，仅通过超分辨率与压缩伪影去除的简单协作难以恢复失真图像。本文进一步提出分层 Swin Transformer（HST）网络来恢复低分辨率压缩图像，该网络分别联合捕获分层特征表示并利用 Swin Transformer 增强各尺度表示。此外，我们发现使用超分辨率（SR）任务进行预训练在压缩图像超分辨率中至关重要。为探究不同 SR 预训练的效果，我们采用常用的 SR 任务（例如双三次插值和不同的真实超分辨率仿真）作为预训练任务，并揭示 SR 在压缩图像超分辨率中起着不可替代的作用。通过 HST 与预训练的结合，我们的 HST 在 AIM 2022 低质量压缩图像超分辨率赛道中取得第五名，PSNR 为 23.51dB。大量实验与消融研究验证了所提方法的有效性。代码与模型见 https://github.com/USTC-IMCL/HST-for-Compressed-Image-SR。
引用
@article{arxiv.2208.09885,
title = {HST: Hierarchical Swin Transformer for Compressed Image Super-resolution},
author = {Bingchen Li and Xin Li and Yiting Lu and Sen Liu and Ruoyu Feng and Zhibo Chen},
journal= {arXiv preprint arXiv:2208.09885},
year = {2022}
}
备注
Accepted by ECCV2022 Workshop (AIM2022)