Meta-SR：一种用于超分辨率的任意放大倍率网络
计算机视觉与模式识别
2019-04-04 v4
摘要
得益于深度卷积神经网络 (DCNNs) 的发展，超分辨率的近期研究取得了巨大成功。然而，任意缩放因子的超分辨率长期以来一直被忽视。大多数先前的研究者将不同缩放因子的超分辨率视为独立任务。他们为每个缩放因子训练特定的模型，这在计算上效率低下，且先前的工作仅考虑了几个整数缩放因子的超分辨率。在本工作中，我们提出了一种名为 Meta-SR 的新方法，首次用单一模型解决任意缩放因子（包括非整数缩放因子）的超分辨率。在我们的 Meta-SR 中，提出了 Meta-Upscale 模块以替代传统的上采样模块。对于任意缩放因子，Meta-Upscale 模块将缩放因子作为输入，动态预测上采样滤波器的权重，并使用这些权重生成任意尺寸的高分辨率 (HR) 图像。对于任何低分辨率图像，我们的 Meta-SR 仅使用单一模型即可连续以任意缩放因子对其进行放大。我们在广泛使用的单图像超分辨率基准数据集上通过大量实验评估了所提出的方法。实验结果表明了 Meta-Upscale 的优越性。
引用
@article{arxiv.1903.00875,
title = {Meta-SR: A Magnification-Arbitrary Network for Super-Resolution},
author = {Xuecai Hu and Haoyuan Mu and Xiangyu Zhang and Zilei Wang and Tieniu Tan and Jian Sun},
journal= {arXiv preprint arXiv:1903.00875},
year = {2019}
}
备注
10 pages, 4 figures