使用深度约束卷积网络的图像复原
计算机视觉与模式识别
2024-06-25 v2 机器学习
摘要
尽管卷积神经网络的深度在深度学习研究中备受关注，这些网络的宽度近来获得了更多兴趣。网络的宽度，定义为感受野大小与通道密度，已在图像去噪与复原等底层视觉任务中展现出关键重要性。然而，由于网络宽度增加带来的有限泛化能力，在设计更宽网络时形成了瓶颈。本文中，我们提出深度约束卷积网络（RC-Net），一种由约束子网络块经跳跃连接级联而成的深度网络，以克服该瓶颈。具体而言，约束卷积块（RC-block）以大小卷积滤波器组合为特征，平衡了显著特征提取的有效性与网络的泛化能力。RC-Net 具有若干引人注目的优势：通过大小滤波器组合吸纳多样化特征，缓解图像去噪与超分辨率问题中的雾状边界与模糊细节，并稳定学习过程。我们提出的 RC-Net 在各种图像复原任务中以显著性能提升优于 SOTA 方法，同时展现出良好的泛化能力。代码见 https://github.com/cswin/RC-Nets。
引用
@article{arxiv.1910.08853,
title = {Image Restoration Using Deep Regulated Convolutional Networks},
author = {Peng Liu and Xiaoxiao Zhou and Yangjunyi Li and El Basha Mohammad D and Ruogu Fang},
journal= {arXiv preprint arXiv:1910.08853},
year = {2024}
}