OverNet：基于过缩放网络的轻量多尺度超分辨率
图像与视频处理
2020-11-10 v2 计算机视觉与模式识别
摘要
得益于深度卷积神经网络（CNNs）的发展，超分辨率（SR）取得了巨大成功。然而，随着网络深度和宽度的增加，基于 CNN 的 SR 方法在实践中面临计算复杂度的挑战。此外，它们大多为每个目标分辨率训练专用模型，丧失了通用性并增加了内存需求。为应对这些局限，我们提出 OverNet，一种深度但轻量的卷积网络，以单一模型求解任意尺度因子下的单图像超分辨率（SISR）。我们的贡献如下：首先，我们引入一种轻量递归特征提取器，通过新颖的跳跃与密集连接递归结构实现信息的高效复用。其次，为最大化特征提取器性能，我们提出一种从过缩放特征图生成精确高分辨率图像的重建模块，且该模块可独立用于改进现有架构。第三，我们引入多尺度损失函数以实现跨尺度的泛化。通过大量实验，我们证明我们的网络在标准基准上优于先前最优结果，同时使用的参数少于先前方法。
引用
@article{arxiv.2008.02382,
title = {OverNet: Lightweight Multi-Scale Super-Resolution with Overscaling Network},
author = {Parichehr Behjati and Pau Rodriguez and Armin Mehri and Isabelle Hupont and Jordi Gonzalez and Carles Fernandez Tena},
journal= {arXiv preprint arXiv:2008.02382},
year = {2020}
}
备注
10 pages, 4 figures, conference, accepted by WACV2021