面向零样本超分辨率的元迁移学习
计算机视觉与模式识别
2020-02-28 v1
摘要
卷积神经网络（CNNs）利用大规模外部样本在单幅图像超分辨率（SISR）上取得了显著提升。尽管基于外部数据集它们表现优异，却无法利用特定图像内部的内部信息。另一个问题是它们仅适用于其所监督的数据的特定条件，例如低分辨率（LR）图像应是来自高分辨率（HR）图像的“双三次”下采样无噪声图像。为解决这两个问题，零样本超分辨率（ZSSR）被提出以进行灵活的内部学习。然而，它们需要数千次梯度更新，即推理时间长。本文提出面向零样本超分辨率的元迁移学习（MZSR），其利用了 ZSSR。具体而言，它基于寻找适合内部学习的通用初始参数。因此，我们可以利用外部与内部信息，仅需一次梯度更新即可获得相当可观的结果（见图1）。借助我们的方法，网络可快速适应给定的图像条件。在这方面，我们的方法可通过快速适应过程应用于大范围的图像条件。
引用
@article{arxiv.2002.12213,
title = {Meta-Transfer Learning for Zero-Shot Super-Resolution},
author = {Jae Woong Soh and Sunwoo Cho and Nam Ik Cho},
journal= {arXiv preprint arXiv:2002.12213},
year = {2020}
}
备注
Will be presented in CVPR 2020