基于特征增强随机森林的图像超分辨率
计算机视觉与模式识别
2017-12-15 v1
摘要
近期基于随机森林(RF)的图像超分辨率方法从基于字典学习的算法继承了一些性质，但文献中忽视了这些性质在 RF 中的有效性。本文提出一种用于图像超分辨率的新型特征增强随机森林(FARF)，其中常规基于梯度的特征被梯度幅值所增强，且不同特征配方在 RF 的不同阶段被构建。我们方法的优势在于：首先，基于非线性梯度幅值具有高度判别性的观察，通过加入梯度幅值增强了基于字典学习的特征。其次，使用广义局部敏感哈希(LSH)替代主成分分析(PCA)进行特征降维，并采用原始高维特征而非压缩特征用于叶节点的回归器，因为回归器可受益于更高维特征。这一原始-压缩耦合特征集方案统一了无监督 LSH 在图像超分辨率与基于内容的图像检索(CBIR)上的评估。最后，我们提出一种用于叶节点回归器的广义加权岭回归(GWRR)模型。在多个公开基准数据集上的实验结果表明，相较传统基于 RF 的方法，我们的 FARF 方法可取得约 0.3 dB 的平均增益。此外，精细调优的 FARF 模型可媲美或在许多情况下超越一些近期最先进的(state-of-the-art)基于深度学习的算法。
引用
@article{arxiv.1712.05248,
title = {Image Super-resolution via Feature-augmented Random Forest},
author = {Hailiang Li and Kin-Man Lam and Miaohui Wang},
journal= {arXiv preprint arXiv:1712.05248},
year = {2017}
}