用于图像超分辨率的深度分析字典学习
机器学习
2021-02-03 v2 计算机视觉与模式识别
机器学习
摘要
受深度神经网络近期成功以及发展多层字典模型的努力启发，我们提出一种深度分析字典模型（DeepAM），其针对称为单图像超分辨率的特定回归任务进行优化。与其他多层字典模型不同，我们的架构包含 L 层分析字典与软阈值算子以逐步提取高层特征，以及一层为优化当前回归任务而设计综合字典。在我们的方法中，每个分析字典被划分为两个子字典：信息保持分析字典（IPAD）与聚类分析字典（CAD）。IPAD 与相应软阈值被设计用来将关键信息从上一层传递到下一层，而 CAD 与相应软阈值算子被设计用来产生其输入数据的稀疏特征表示，以利于关键特征的判别。DeepAM 采用监督与无监督两种设置。仿真结果表明，在训练数据集较小时，所提深度分析字典模型相比具有相同结构且用反向传播优化的深度神经网络取得了更优性能。
引用
@article{arxiv.2001.12010,
title = {Learning Deep Analysis Dictionaries for Image Super-Resolution},
author = {Jun-Jie Huang and Pier Luigi Dragotti},
journal= {arXiv preprint arXiv:2001.12010},
year = {2021}
}
备注
Accepted by IEEE Transactions on Signal Processing