基于团结构联合子带学习的 wavelet 域超分辨率方法
计算机视觉与模式识别
2018-10-26 v3
摘要
卷积神经网络（CNNs）近期在单图像超分辨率（SISR）中取得了巨大成功。然而，这些方法往往产生过度平滑的输出并丢失部分纹理细节。为解决这些问题，我们提出超分辨率 CliqueNet（SRCliqueNet），在 wavelet 域中以更好的纹理细节重建高分辨率（HR）图像。所提 SRCliqueNet 首先通过团块组从低分辨率（LR）图像中提取一组特征图，然后将该组特征图送入团上采样模块以重建 HR 图像。团上采样模块由四个子网络组成，分别预测四个子带的高分辨率 wavelet 系数。由于我们考量了四个子带的边缘特征属性，这四个子网络相互连接，从而能够联合学习四个子带的系数。最后，在团上采样模块末端对四个子网络的输出施加逆离散 wavelet 变换（IDWT）以提升分辨率并重建 HR 图像。在基准数据集上的大量定量与定性实验表明，我们的方法优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.1809.04508,
title = {Joint Sub-bands Learning with Clique Structures for Wavelet Domain Super-Resolution},
author = {Zhisheng Zhong and Tiancheng Shen and Yibo Yang and Zhouchen Lin and Chao Zhang},
journal= {arXiv preprint arXiv:1809.04508},
year = {2018}
}
备注
Accepted in NIPS 2018