学习精确且丰富的特征用于立体图像超分辨率
计算机视觉与模式识别
2024-06-25 v1
摘要
立体图像超分辨率（stereoSR）旨在通过融合来自另一视角的互补信息来提升超分辨率结果的质量。尽管现有方法已取得显著进展，但它们通常在全分辨率表示上操作以保留空间细节，在准确捕捉上下文信息方面面临挑战。同时，它们利用所有特征相似性来交叉融合来自两个视图的信息，可能忽略了不相关信息的影响。为解决此问题，我们提出了一种混合尺度选择性融合网络（MSSFNet），以保留精确的空间细节并融入丰富的上下文信息，并自适应地从两个视图中选择并融合最准确的特征，以促进高质量立体超分辨率的提升。具体来说，我们开发了一个混合尺度模块（MSB），它在多个空间尺度上获取上下文丰富的特征表示，同时保留精确的空间细节。此外，为了动态保留最关键的跨视图信息，我们设计了一个选择性融合注意力模块（SFAM），该模块从另一视图中搜索并传输最准确的特征。为了学习一组丰富的局部和非局部特征，我们引入了一个快速傅里叶卷积模块（FFCB），以显式地整合频域知识。大量实验表明，MSSFNet在定量和定性评估上均显著优于现有最先进方法。
引用
@article{arxiv.2406.16001,
title = {Learning Accurate and Enriched Features for Stereo Image Super-Resolution},
author = {Hu Gao and Depeng Dang},
journal= {arXiv preprint arXiv:2406.16001},
year = {2024}
}