LAPAR：用于单图像超分辨率及更广任务的线性组装像素自适应回归网络
计算机视觉与模式识别
2021-05-24 v1
摘要
单图像超分辨率（SISR）处理将低分辨率（LR）图像上采样至其高分辨率（HR）版本这一基础问题。过去几年中，深度学习方法推动了令人瞩目的进展。然而，现有方法面临的一个关键挑战是在深度模型复杂度与所得 SISR 质量之间取得平衡。本文通过提出线性组装像素自适应回归网络（LAPAR）来解决这一痛点，该网络将直接的 LR 到 HR 映射学习转化为对多个预定义滤波器基字典的线性系数回归任务。这种参数化表示使我们的模型极为轻量且易于优化，同时在 SISR 基准上取得最先进结果。此外，基于相同思想，LAPAR 被扩展以处理其他复原任务，例如图像去噪和 JPEG 图像去块，并再次产生强劲性能。代码见 https://github.com/dvlab-research/Simple-SR。
引用
@article{arxiv.2105.10422,
title = {LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond},
author = {Wenbo Li and Kun Zhou and Lu Qi and Nianjuan Jiang and Jiangbo Lu and Jiaya Jia},
journal= {arXiv preprint arXiv:2105.10422},
year = {2021}
}
备注
NeurIPS2020