通过 RL-CSC 的图像超分辨率：当残差学习遇见卷积稀疏编码
计算机视觉与模式识别
2019-01-01 v1
摘要
我们提出了一种简洁而有效的单图像超分辨率（SISR）模型，结合了残差学习（Residual Learning）与卷积稀疏编码（Convolutional Sparse Coding, RL-CSC）的优点。我们的模型受学习迭代收缩阈值算法（LISTA）启发。我们将 LISTA 扩展至其卷积版本，并严格遵循卷积形式构建模型主体，从而提升了网络的可解释性。具体而言，输入特征图的卷积稀疏编码以递归方式学习，并可从这些 CSC 中恢复高频信息。更重要的是，应用残差学习以缓解网络加深时的训练困难。在基准数据集上的大量实验证明了我们方法的有效性。RL-CSC（30 层）在精度与视觉质量上均优于若干近期最优方法，例如 DRRN（52 层）与 MemNet（80 层）。代码与更多结果见 https://github.com/axzml/RL-CSC。
引用
@article{arxiv.1812.11950,
title = {Image Super-Resolution via RL-CSC: When Residual Learning Meets Convolutional Sparse Coding},
author = {Menglei Zhang and Zhou Liu and Lei Yu},
journal= {arXiv preprint arXiv:1812.11950},
year = {2019}
}
备注
10 pages, 8 figures, 4 tables