基于U-Net与MR-CNN的前景图像局部超分辨率
计算机视觉与模式识别
2021-10-28 v1 机器学习
图像与视频处理
摘要
图像在通过视觉表征理解数据中起着至关重要的作用，其清晰呈现了上下文中对象的状态。但若图像不清晰则用途有限。因此，图像超分辨率课题应运而生，众多研究者致力于应用计算机视觉与深度学习技术提升图像质量。超分辨率的应用之一是提升人像图像质量。人像图像主要聚焦于捕捉画面中主体对象的神韵，其中目标对象被突出而背景被遮挡。执行超分辨率时模型试图提升图像整体分辨率，但在人像图像中前景分辨率比背景更为重要。本文分析了将一种称为U-Net的卷积神经网络（CNN）架构用于超分辨率、并结合基于掩码区域的CNN（MR-CNN）实现前景超分辨率的性能。该分析基于局部超分辨率展开：我们将低分辨率（LR）图像传入预训练的图像分割模型（MR-CNN），对前景或分割图像进行超分辨率推断，并计算结构相似性指数（SSIM）与峰值信噪比（PSNR）指标用于比较。
引用
@article{arxiv.2110.14413,
title = {Localized Super Resolution for Foreground Images using U-Net and MR-CNN},
author = {Umashankar Kumaravelan and Nivedita M},
journal= {arXiv preprint arXiv:2110.14413},
year = {2021}
}
备注
Submitted for peer review and acceptance at ICRTAC 2021