通过自适应特征调制层以连续层级调制图像复原
计算机视觉与模式识别
2019-06-04 v3
摘要
在图像复原任务中，如去噪和超分辨率，复原层级的连续调制对于实际应用至关重要，但现有大多数基于深度学习的图像复原方法均未能实现。从离散且固定的复原层级中学习，深度模型难以泛化到连续且未见的层级数据。由于难以用特定超参数调制训练良好的模型，该主题在文献中鲜有触及。我们向前迈进一步，提出了一个统一的 CNN 框架，其相比单层级模型仅增加极少参数，却能处理起止层级之间的任意复原层级。该附加模块称为 AdaFM 层，执行通道级特征调制，并能以高精度将模型适配到另一复原层级。通过简单调整插值系数，中间模型 AdaFM-Net 可生成平滑且连续的复原效果而无伪影。在三个图像复原任务上的大量实验证明了模型训练与调制测试的有效性。此外，我们细致探究了 AdaFM 层的特性，为所提方法的使用提供了详细指导。
引用
@article{arxiv.1904.08118,
title = {Modulating Image Restoration with Continual Levels via Adaptive Feature Modification Layers},
author = {Jingwen He and Chao Dong and Yu Qiao},
journal= {arXiv preprint arXiv:1904.08118},
year = {2019}
}
备注
Accepted by CVPR 2019 (oral); code is available: https://github.com/hejingwenhejingwen/AdaFM