学习用于真实图像超分辨率的全频区域自适应表示
计算机视觉与模式识别
2021-01-12 v2 图像与视频处理
摘要
传统的单图像超分辨率（SISR）方法聚焦于解决单一且均匀的退化（即双三次下采样），由于复杂的真实退化，当应用于真实世界低分辨率（LR）图像时通常性能不佳。解决这一更具挑战性的真实图像超分辨率（RealSR）问题的关键在于学习既有信息量又内容感知的特征表示。本文中，我们提出全频区域自适应网络（ORNet）以应对这两方面挑战，此处我们将低、中、高频的所有特征称为全频特征。具体而言，我们从频率视角出发，设计频率分解（FD）模块以分离不同频率分量，从而全面补偿真实 LR 图像丢失的信息。进而，考虑到真实 LR 图像不同区域具有不同频率信息丢失，我们进一步利用动态卷积与空间注意力设计区域自适应频率聚合（RFA）模块，以自适应地恢复不同区域的频率分量。大量实验证实了我们的 OR-Net 在 RealSR 上的有效性与场景无关特性。
引用
@article{arxiv.2012.06131,
title = {Learning Omni-frequency Region-adaptive Representations for Real Image Super-Resolution},
author = {Xin Li and Xin Jin and Tao Yu and Yingxue Pang and Simeng Sun and Zhizheng Zhang and Zhibo Chen},
journal= {arXiv preprint arXiv:2012.06131},
year = {2021}
}
备注
Accepted by AAAI2021