基于学习且保持质量的含噪图像超分辨率
图像与视频处理
2023-11-07 v1 计算机视觉与模式识别
图形学
摘要
若干应用需要对含噪图像进行超分辨率处理并保留几何与纹理特征。最先进的超分辨率方法未考虑噪声，且通常会增强输出图像的伪影(例如混叠、模糊)。我们提出一种基于学习的方法，其考虑噪声的存在并保留输入图像的特性，这些特性由定量指标衡量(例如归一化互相关系数、归一化均方误差、峰值信噪比、基于结构相似性的特征相似性、通用图像质量)。我们训练网络对低分辨率含噪图像进行上采样同时保留其特性。我们在top500榜单第26位的Cineca Marconi100集群上执行测试。实验结果表明，我们的方法优于基于学习的方法，与标准方法结果相当，保留了输入图像的轮廓、亮度和纹理等特性，并减少了伪影。作为平均定量指标，我们的方法在2倍上采样因子的高斯噪声图像超分辨率上PSNR值为23.81。相比之下，先前工作的PSNR值为23.09(标准方法)和21.78(基于学习的方法)。我们这种基于学习且保持质量的超分辨率在不同噪声类型和上采样因子下，相较最先进方法改进了含噪图像的高分辨率预测。
引用
@article{arxiv.2311.02254,
title = {Learning-Based and Quality Preserving Super-Resolution of Noisy Images},
author = {Simone Cammarasana and Giuseppe Patanè},
journal= {arXiv preprint arXiv:2311.02254},
year = {2023}
}