用于单图像超分辨率的可解释细节保真注意力网络
计算机视觉与模式识别
2021-02-24 v1 机器学习
摘要
得益于深度 CNN 在特征表示和非线性映射方面的强大能力，基于深度学习的方法在单图像超分辨率中取得了优异性能。然而，现有大多数 SR 方法依赖于最初为视觉识别设计的网络高容量，很少考虑超分辨率旨在细节保真的初衷。为追求这一初衷，有两个待解决的挑战性问题：（1）学习适应平滑区域与细节多样特性的适当算子；（2）提升模型保留低频平滑区域与重建高频细节的能力。为解决这些问题，我们提出一种有目的且可解释的细节保真注意力网络，以分而治之的方式逐步处理这些平滑区域与细节，这是一种新颖且特定的图像超分辨率视角，旨在提升细节保真，而非盲目设计或采用深度 CNN 架构仅用于局部感受野中的特征表示。特别地，我们提出一种用于可解释特征表示的 Hessian 滤波，其对细节推断至关重要，并提出一个空洞编码器-解码器与一种分布对齐单元，分别以形态学方式和统计学方式改进推断出的 Hessian 特征。大量实验表明，所提方法在定量与定性上均优于最先进的（SOTA）方法。代码见 https://github.com/YuanfeiHuang/DeFiAN。
引用
@article{arxiv.2009.13134,
title = {Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution},
author = {Yuanfei Huang and Jie Li and Xinbo Gao and Yanting Hu and Wen Lu},
journal= {arXiv preprint arXiv:2009.13134},
year = {2021}
}
备注
14 pages, submitted to IEEE Transactions, codes are available at https://github.com/YuanfeiHuang/DeFiAN