结合跨尺度非局部注意力与穷尽自样本挖掘的图像超分辨率
计算机视觉与模式识别
2020-06-03 v1 机器学习
图像与视频处理
机器学习
摘要
基于深度卷积的单图像超分辨率（SISR）网络得益于从大规模外部图像资源中学习以进行局部恢复，但现有的大多数工作忽略了自然图像中的长程特征相似性。一些近期工作通过探索非局部注意力模块成功利用了这种内在特征相关性。然而，目前的深度模型均未研究图像的另一种固有属性：跨尺度特征相关性。在本文中，我们提出了首个跨尺度非局部（CS-NL）注意力模块，并将其集成到循环神经网络中。通过在一个强大的循环融合单元中将新的 CS-NL 先验与局部及同尺度非局部先验相结合，我们能够在单张低分辨率（LR）图像内发现更多的跨尺度特征相关性。通过穷尽地整合所有可能的先验，SISR 的性能得到了显著提升。大量实验证明了所提出的 CS-NL 模块的有效性，在多个 SISR 基准上取得了新的 SOTA。
引用
@article{arxiv.2006.01424,
title = {Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining},
author = {Yiqun Mei and Yuchen Fan and Yuqian Zhou and Lichao Huang and Thomas S. Huang and Humphrey Shi},
journal= {arXiv preprint arXiv:2006.01424},
year = {2020}
}
备注
CVPR2020