图像超分辨率早期训练步骤中的无噪声优化
计算机视觉与模式识别
2024-01-01 v1
摘要
近期基于深度学习的单图像超分辨率（SISR）方法展现了令人印象深刻的性能，而典型方法通过最小化相对于给定高分辨率（HR）图像的像素级距离来训练其网络。然而，尽管这种基本训练方案是主流选择，但其在病态逆问题背景下的应用尚未得到彻底研究。在本工作中，我们旨在通过将目标 HR 图像分解为两个子分量来更好地理解其 underlying 构成：(1) 最优质心，即多个潜在 HR 图像的期望值；(2) 固有噪声，定义为 HR 图像与质心之间的残差。我们的发现表明，当前的训练方案无法捕捉 SISR 的病态性质，并且在早期训练步骤中容易受到固有噪声项的影响。为解决这一问题，我们提出了一种新的优化方法，该方法通过估计最优质心并直接向该估计值优化，从而在普通训练的早期步骤中有效去除固有噪声项。实验结果表明，所提方法能有效增强普通训练的稳定性，从而带来整体性能提升。代码可在 github.com/2minkyulee/ECO 获取。
引用
@article{arxiv.2312.17526,
title = {Noise-free Optimization in Early Training Steps for Image Super-Resolution},
author = {MinKyu Lee and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2312.17526},
year = {2024}
}
备注
Accepted to AAAI 2024. Codes are available at github.com/2minkyulee/ECO