超越 Dropout 的探索：一种通向可泛化图像超分辨率的有趣方案
计算机视觉与模式识别
2024-03-04 v2 人工智能
摘要
近年来，深度学习在单图像超分辨率（SISR）性能上取得了飞跃式进展。虽然大多数现有工作假设简单且固定的退化模型（例如双三次下采样），但盲超分辨率（Blind SR）的研究旨在提高模型在未知退化下的泛化能力。最近，Kong 等人率先研究了使用 Dropout 作为盲超分辨率更合适的训练策略。尽管这种方法确实通过减轻过拟合带来了显著的泛化改进，但我们认为 Dropout 同时引入了不良副作用，损害了模型忠实重建精细细节的能力。我们在论文中展示了理论和实验分析，此外，我们提出了另一种简单而有效的训练策略，通过简单地调节模型的一阶和二阶特征统计量来增强模型的泛化能力。实验结果表明，我们的方法可以作为一种与模型无关的正则化手段，在包括合成和真实场景在内的七个基准数据集上优于 Dropout。
引用
@article{arxiv.2402.18929,
title = {Navigating Beyond Dropout: An Intriguing Solution Towards Generalizable Image Super Resolution},
author = {Hongjun Wang and Jiyuan Chen and Yinqiang Zheng and Tieyong Zeng},
journal= {arXiv preprint arXiv:2402.18929},
year = {2024}
}