学习合成：拆分与重组低高频空间频率用于图像恢复
计算机视觉与模式识别
2018-11-21 v1
摘要
基于深度神经网络（DNN）的图像重建尽管取得诸多成功，却常在高、低空间频带间表现出不均匀的保真度。本文提出“基于DNN的学习合成”（LS-DNN）方法：两个DNN分别处理低空间频率与高空间频率，并相较[30]改进为两个DNN分开训练、再由第三个DNN将其合成为在全频带均具高保真度的图像。我们在两个典型反问题中验证了LS-DNN：衍射极限成像（DLI）中的超分辨率（SR）与定量相位恢复（QPR）。结果表明，其性能与基于感知损失的SR[21]相当或更优，并可推广至更广范围的图像恢复问题。
引用
@article{arxiv.1811.07945,
title = {Learning to synthesize: splitting and recombining low and high spatial frequencies for image recovery},
author = {Mo Deng and Shuai Li and George Barbastathis},
journal= {arXiv preprint arXiv:1811.07945},
year = {2018}
}
备注
10 pages, 10 figures. Supplement file can be provided upon reasonable request