学习单一网络实现任意尺度超分辨率
计算机视觉与模式识别
2021-07-26 v2
摘要
近来，单幅图像超分辨率（SR）的性能已通过强大网络得到显著提升。然而，这些网络是为单一特定整数尺度（如x2、x3、x4）的图像SR而开发的，不能用于非整数和非对称SR。本文中，我们提出从尺度特定网络学习一个任意尺度图像SR网络。具体地，我们为现有SR网络提出一个插件模块以执行任意尺度SR，该模块由多个尺度感知特征适配块和一个尺度感知上采样层组成。此外，我们引入尺度感知知识迁移范式，将知识从尺度特定网络迁移到任意尺度网络。我们的插件模块可轻松适配现有网络以实现任意尺度SR。这些插入我们模块的网络在非整数和非对称SR上可取得有前景的结果，同时在整数尺度因子SR上保持最先进性能。此外，我们模块的额外计算与内存开销非常小。
引用
@article{arxiv.2004.03791,
title = {Learning A Single Network for Scale-Arbitrary Super-Resolution},
author = {Longguang Wang and Yingqian Wang and Zaiping Lin and Jungang Yang and Wei An and Yulan Guo},
journal= {arXiv preprint arXiv:2004.03791},
year = {2021}
}
备注
Accepted by ICCV 2021