用于引导图像超分辨率的记忆增强深度展开网络

引导图像超分辨率旨在高分辨率引导图像的指导下，通过增强低分辨率目标图像的空间分辨率来获取高分辨率目标图像。然而，以往基于模型的方法主要将整幅图像作为一个整体，并假设高分辨率目标图像与高分辨率引导图像之间的先验分布，简单忽略了它们之间许多非局部的共同特征。为缓解此问题，我们首先为GISR提出了一种最大后验概率估计模型，该模型在HR目标图像上包含两种先验，即局部隐式先验和全局隐式先验。局部隐式先验旨在从局部视角对HR目标图像与HR引导图像之间的复杂关系进行建模，而全局隐式先验则从全局视角考虑两幅图像之间的非局部自回归特性。其次，我们设计了一种新颖的交替优化算法来求解此GISR模型。该算法处于一个简洁的框架内，便于将其复制为常用的深度网络结构。第三，为减少迭代阶段间的信息损失，引入了持久记忆机制，通过在图像空间和特征空间中利用长短期记忆单元来增强信息表示。通过这种方式，构建了一个具有一定可解释性和高表示能力的深度网络。大量实验结果验证了我们的方法在多种GISR任务上的优越性，包括全色锐化、深度图像超分辨率和MR图像超分辨率。