基于内容自适应重采样器的用于上采样的学习型图像下采样

基于深度卷积神经网络的图像超分辨率（SR）模型在从预定义下采样方法获得的低分辨率（LR）图像中恢复底层高分辨率（HR）图像方面表现出优越性能。本文提出一种基于内容自适应重采样器（CAR）并考虑上采样过程的学习型图像下采样方法。所提出的重采样器网络生成内容自适应图像重采样核，应用于原始HR输入以生成下采样图像上的像素。此外，采用可微上采样（SR）模块将LR结果上采样为其底层HR对应图像。通过跨整个框架将重建误差反向传播至原始HR输入以调整模型参数，所提框架通过上采样引导的图像重采样器实现了新的最先进SR性能，这些重采样器自适应地保留对上采样至关重要的细节信息。实验结果表明，生成的LR图像质量与传统基于插值的方法相当，但通过与CAR模型联合训练的深度SR模型实现了显著的SR性能提升。代码公开于：URL https://github.com/sunwj/CAR。